Tema 4. Análisis multivariante de la varianza
|
|
- Margarita Coronel Carmona
- hace 6 años
- Vistas:
Transcripción
1 Máster en Técnicas Estadísticas Análisis Multivariante Año Profesor: César Sánchez Sellero Tema 4 Análisis multivariante de la varianza 4 Presentación del modelo Se trata de comparar las medias de I poblaciones normales multivariantes independientes y con matriz de dispersión común Consideremos I muestras independientes Y Y 2 Y n de una población N d (µ, Σ Y 2 Y 22 Y 2 n2 de una población N d (µ 2, Σ Y I Y I2 Y I ni de una población N d (µ I, Σ Cada una de las I muestras está formada por variables independientes y con la misma distribución Se trata, por tanto, de I muestras aleatorias simples Además se supone que las I muestras son, entre sí, independientes Nótese que a las medias se les permite ser distintas, pero las varianzas se suponen todas iguales Por suponerse las varianzas iguales diremos que el modelo es homocedástico La única diferencia respecto del modelo univariante de análisis de la varianza radica en que las variables Y ij ahora pueden ser vectores 42 Descomposición de la variabilidad Contraste de igualdad de medias Podemos expresar este modelo en la forma del modelo lineal general multivariante así: Y U Y n Y µ U n U Y n = µ 2 + U n µ I Y I U I Y In I U In I Los parámetros de este modelo, que son los I vectores de medias µ,, µ I, se pueden estimar 39
2 40 Máster en Técnicas Estadísticas por mínimos cuadrados mediante el procedimiento general del modelo lineal, donde ahora n Y j n j= n 2 n 2 X X = X Y 2j Y = j= n I n I Y entonces ( X X X Y = Ȳ Ȳ 2 Ȳ I por lo que las medias muestrales resultan ser los estimadores bajo este modelo Ahora planteamos el contraste de la igualdad de todas las medias, esto es, el contraste de la hipótesis nula: H 0 : µ = µ 2 = = µ I Esta hipótesis se puede formular de modo equivalente así µ µ I = µ 2 µ I = = µ I µ I = 0 lo cual admite esta forma matricial AB = µ µ 2 µ I j= Y Ij = 0 (4 Bajo esta restricción lineal, que reduce los parámetros a una única media común µ, podemos considerar el nuevo modelo con ese único parámetro que se estimaría mediante la media global: ˆµ = I Y ij = n j= Ȳ i = Ȳ El contraste de la hipótesis de igualdad se puede llevar a cabo por el método basado en la Λ de Wilks, que compara la matriz de covarianzas de los residuos bajo el modelo general y bajo la hipótesis nula Así, si la hipótesis nula es cierta, el estadístico de contraste verica Λ(d, q, n p E + H
3 Análisis Multivariante 4 siendo E la matriz de covarianzas de los residuos bajo el modelo general y E H = E +H la matriz de covarianzas de los residuos bajo la hipótesis nula, p el número de parámetros independientes bajo el modelo general y p q el número de parámetros independientes bajo la hipótesis nula Esto da lugar a una descomposición de la matriz de covarianzas, que en este caso se suele representar mediante la llamada tabla del análisis multivariante de la varianza o tabla MANOVA: Fuente de variación Matriz de covarianzas Grados de libertad Entre poblaciones H = (Ȳi (Ȳi Ȳ Ȳ I Error E = Total E H = j= ( ( Yij Ȳi Yij Ȳi ( j= ( ( Yij Ȳ Yij Ȳ j= Observamos que esta tabla no es más que una extensión de la tabla ANOVA al caso multivariante Así, como y además sondependientes, tenemos que H Wishart d (Σ, I E Wishart d (Σ, n I Λ(d, I, n I E + H El sentido común nos invita a rechazar la hipótesis nula cuando la variabilidad proveniente de las diferencias entre poblaciones (que medimos mediante la matriz H sea grande comparada con la proveniente del error (medida por E Por tanto, rechazaremos la hipótesis nula cuando el estadístico / E + H tome un valor menor que el cuantil α de la distribución Λ(d, I, n I, siendo α el nivel de signicación jado de antemano Al igual que en el modelo lineal general multivariante, aquí también podemos plantear el procedimiento de uniónintersección para el contraste de la hipótesis nula de igualdad de todas las medias En ese caso, el estadístico de contraste sería φ max = máximo autovalor de HE y rechazaremos la hipótesis nula cuando φ max > φ max,α siendo φ max,α el cuantil α de la distribución de φ max Ejemplo 4 Sobre los datos de los lirios de Fisher, vamos a efectuar el contraste de igualdad del vector de medias para las tres especies Lo haremos suponiendo que cada individuo tiene distribución normal multivariante, las muestras sondependientes y tienen la misma matriz de covarianzas
4 42 Máster en Técnicas Estadísticas 43 Comparaciones múltiples Para un modelo lineal general tenemos { ( P a ABb a A ˆBb φ max,α a A (X X A ab Eb, a A ˆBb + φ max,α a A (X X A ab Eb } a, b = α obteniendo así un conjunto de intervalos de conanza simultáneos para a ABb, con nivel de conanza α En nuestro caso, las matrices A y B se encuentran en la expresión (4 y entonces a AB = (a, a 2,, a I (µ µ I (µ 2 µ I (µ I µ I = a (µ µ I + a 2 (µ 2 µ I + + a I (µ I µ I = c i µ i siendo c i = a i i {,, I } y c I = I a i De este modo, pasamos de considerar cualquier vector a a considerar cualquier vector (c,, c I que verique I c i = 0 De igual modo, A continuación observamos que a A ˆB = c i Ȳ i ( I a A = a,, a I, a i = (c,, c I de modo que a A ( X X A a = (c,, c I /n /n I c c I = Luego, nos queda el siguiente conjunto de intervalos de conanza simultáneos c i Ȳ c 2 i b Eb, c i Ȳ b Eb i b ( i b + (
5 Análisis Multivariante 43 para I c iµ i b con nivel de conanza α El vector (c,, c I indica qué poblaciones vamos a comparar, mientras que el vector b indica qué componentes del vector respuesta Y vamos a utilizar para la comparación De nuevo, φ max,α es el cuantil α de la distribución de φ max Así, si tomamos c r =, c s = y c i = 0 si i r, i s, quedando el vector (0,, 0,, 0,, 0,, 0,, 0, y b j =, b k = 0 si k j, para obtener b = (0,, 0,, 0,, 0, entonces (( ( Ȳ r Ȳs b ± φ max,α + b n r n Eb s r, s {,, I} j {,, d} es un conjunto de intervalos de conanza simultáneos para la comparación de las poblaciones résima y sésima en cada una de las componentes del vector Y Nótese que en este caso b Eb es la suma de cuadrados de los residuos relativos a la componente jésima En general, b Eb es la evaluación de la forma cuadrática E en el vector b, y contiene la suma de cuadrados de las combinaciones lineales de los residuos según el vector b Ejemplo 42 Sobre el ejemplo de los lirios, vamos a efectuar las comparaciones múltiples de los vectores de medias de cada especie 44 MANOVA con dos factores de variación Hasta aquí hemos considerado la comparación de poblaciones clasicadas según un único criterio En esta sección suponemos que hay dos factores: A y B Del factor A podemos distinguir I niveles, mientras que en el factor B podemos encontrar J niveles En cada una de las I J posibilidades realizamos K observaciones de un vector aleatorio Y El objetivo será estudiar la inuencia de los factores A y B, o de su interacción, en la media del vector Y Así, planteamos el siguiente modelo: Y ijk = µ + α i + β j + γ ij + U ijk k {,, K} i {,, I} j {,, J} siendo U ijk N d (0, Σ El parámetro µ representa la media global, los parámetros α i representan el efecto principal del factor A, los parámetros β j representan el efecto principal del factor B y los parámetros γ ij representan la interacción de los factores A y B Además verican α i = β j = j= γ ij = γ ij = 0 Este modelo también se puede ver como un caso particular del modelo lineal general multivariante Así, aplicaremos los resultados conocidos para el modelo lineal general, tanto en lo relativo a la estimación por mínimos cuadrados de los parámetros como en lo concerniente a contrastes de hipótesis referidas al modelo En este sentido planteamos hipótesis del tipo: H A : α i = 0 i H B : β j = 0 j j= H AB : γ ij = 0 i, j
6 44 Máster en Técnicas Estadísticas que se estudian en base a la siguiente descomposición de la variabilidad, mediante lo que llamaremos tabla MANOVA II: Fuente de variación Matriz de covarianzas Grados de libertad Factor A H A = JK (Ȳi (Ȳi Ȳ Ȳ I Factor B Interacción H B = IK H AB = K Error E = Total j= j= (Ȳ j (Ȳ j Ȳ Ȳ J (Ȳij Ȳi Ȳ j + Ȳ (I (J ( Ȳ ij Ȳi Ȳ j + K Ȳ ( ( Yijk Ȳij Yijk Ȳij IJ(K j= k= j= k= K ( Yijk Ȳ ( Yijk Ȳ IJK De este modo la hipótesis H A : α i = 0 i se contrasta en base al estadístico Λ (d, I, IJ(K E + H A la hipótesis H B : β j = 0 j se contrasta en base al estadístico Λ (d, J, IJ(K E + H B y la hipótesis H AB : γ ij = 0 i, j se contrasta en base al estadístico Λ (d, (I (J, IJ(K E + H AB Ejemplo 43 En una especie de cesped, denominada Paspalum, se está investigando el efecto que experimenta al ser infectada con un hongo Al mismo tiempo se tiene en cuenta la temperatura, dentro de un diseño con cuatro valores diferentes: 4, 8, 22, 26 o C En cada realización del experimento se miden tres variables: Y = El peso fresco de las raíces (medido en gramos Y 2 = La longitud máxima de las raíces (medida en milímetros Y 3 = El peso fresco de las hojas (medido en gramos Los datos se encuentran en el chero "tema4ejemplo3txt" Vamos a contrastar el efecto del tratamiento con hongos, el efecto de la temperatura y la posible interacción entre ambos efectos
7 Análisis Multivariante 45 Comparaciones múltiples Con la misma forma de proceder que en el MANOVA con un factor de variación, vamos a obtener intervalos de conanza simultáneos para combinaciones lineales de los parámetros de este modelo Lo haremos con los efectos principales del factor A La hipótesis H A se puede expresar en cualquiera de estas formas equivalentes: α = α 2 = = α I = 0 µ = µ 2 = = µ I µ µ I = µ 2 µ I = = µ (I µ I = 0 µ µ I µ 2 AB = µ I = 0 µ (I µ I Razonando igual que en el MANOVA I, llegamos a a AB = c i µ i con I c i = 0 De igual modo, a A ˆB = I c iȳ conjunto de intervalos de conanza simultáneos ( c i Ȳ i b c 2 i φmax,α b JK Eb, c i Ȳ i i b + Finalmente, obtenemos el siguiente ( JK b Eb para I c i µ i b con nivel de conanza α, siendo φ max,α el cuantil α de la distribución del autovalor más grande de H A E 45 Diseño por bloques aleatorizados Queremos estudiar el efecto de ciertos tratamientos sobre un vector aleatorio, pero en la experimentación debemos tener en cuenta la presencia de otro efecto debido a una variable de tipo bloque Para ello, elaboramos un diseño experimental en el que cada tipo de tratamiento se observará en cada nivel de la variable bloque No consideramos replicación Como resultado obtenemos los vectores aleatorios: Y ij que representa el vector aleatorio observado bajo el tratamiento iésimo y en el bloque jésimo Adoptamos el modelo siguiente: Y ij = µ + α i + β j + U ij i {,, I} j {,, J} siendo U ij N d (0, Σ El parámetro µ representa la media global, los parámetros α i representan el efecto del tratamiento y los parámetros β j representan el efecto bloque Observamos la gran semejanza con el modelo MANOVA II anterior, del que se diferencia en la ausencia de replicación, lo cual impide la estimación de interacciones Además, en el presente modelo distinguimos entre los tratamientos, que constituyen el objetivo primordial del estudio, y la variable bloque, que se considera únicamente para controlar su efecto sobre la variable respuesta
8 46 Máster en Técnicas Estadísticas Se verica α i = β j = 0 j= Este modelo también se puede ver como un caso particular del modelo lineal general multivariante Así, aplicaremos los resultados conocidos para el modelo lineal general, tanto en lo relativo a la estimación por mínimos cuadrados de los parámetros como en lo concerniente a contrastes de hipótesis referidas al modelo En este sentido planteamos hipótesis del tipo: H T : α i = 0 i H B : β j = 0 j que se estudian en base a la siguiente descomposición de la variabilidad: Fuente de variación Matriz de covarianzas Grados de libertad Tratamientos H T = J (Ȳi (Ȳi Ȳ Ȳ I Efecto Bloque H B = I Error E = Total j= j= j= (Ȳ j (Ȳ j Ȳ Ȳ J ( Yij Ȳi Ȳ j + Ȳ (I (J ( Y ij Ȳi Ȳ j + Ȳ ( ( Yij Ȳ Yij Ȳ IJ De este modo la hipótesis H T : α i = 0 i se contrasta en base al estadístico Λ (d, I, (I (J E + H T y la hipótesis H B : β j = 0 j se contrasta en base al estadístico Λ (d, J, (I (J E + H B Ejemplo 44 En las islas Cook se realizó un experimento en bloques aleatorizados para estudiar el efecto de seis tratamientos para combatir un parásito de las plantas de las alubias Se midieron tres variables Y = El número de parásitos por hoja Y 2 = El peso de las alubias por planta (medido en kilogramos Y 3 = sen ( p, donde p es la proporción de hojas infestadas con el parásito Los datos se encuentran en el chero "tema4ejemplo4txt" Vamos a contrastar si hay diferencias entre los tratamientos
9 Análisis Multivariante 47 Comparaciones múltiples También podemos considerar intervalos de conanza simultáneos para combinaciones lineales de los parámetros de este modelo Así, podemos obtener el siguiente conjunto de intervalos de conanza simultáneos c i Ȳ i b ( J b Eb, c i Ȳ i b + ( J b Eb para I c i µ i b con nivel de conanza α, siendo φ max,α el cuantil α de la distribución del autovalor más grande de H T E Bibliografía Johnson, RA y Wichern, DW (982 Applied multivariate statistical analysis Prentice-Hall Mardia, KV, Kent, JT y Bibby, JM (979 Multivariate analysis Academic Press Seber, GAF (984 Multivariate observations Wiley
Tema 3. El modelo lineal general multivariante
Máster en Técnicas Estadísticas Análisis Multivariante. Año 2008 2009. Profesor: César Sánchez Sellero. Tema 3. El modelo lineal general multivariante 3.1. Presentación del modelo. En este tema vamos a
Más detallesTEMA 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
Más detallesWenceslao González Manteiga.
ANÁLISIS MULTIVARIANTE Wenceslao.gonzalez@usc.es ÍNDICE 0. MOTIVACIÓN HISTÓRICA 1. ANÁLISIS EXPLORATORIO DE DATOS 2. REVISIÓN DE LAS DISTRIBUCIONES NOTABLES MULTIDIMENSIONALES RELACIONADAS CON LA NORMAL
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detalles1 El Análisis de Varianza
1 El Análisis de Varianza Objetivo: Explicar (controlar las variaciones de una v.a. Y continua (numérica, mediante factores (variables cualitativas que definen categorías que controlamos (no aleatorios.
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesModelo de Análisis de la Covarianza. Introducción al modelo de Medidas Repetidas
Modelo de Análisis de la Covariza. Introducción al modelo de Medidas Repetidas Modelo de Análisis de la Covariza Introducción El diseño por bloques se considera para eliminar el efecto de los factores
Más detalles2 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 detallesAnálisis 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 detallesDISEÑOS 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 detallesDiseño de Experimentos. Diseños Factoriales
Diseño de Experimentos Diseños Factoriales Luis A. Salomón Departamento de Ciencias Matemáticas Escuela de Ciencias, EAFIT Luis A. Salomón (EAFIT) Inspira Crea Transforma Curso 2016 Índice 1 Introducción
Más detallesDiseño de Bloques al azar. Diseño de experimentos p. 1/25
Diseño de Bloques al azar Diseño de experimentos p. 1/25 Introducción En cualquier experimento, la variabilidad proveniente de un factor de ruido puede afectar los resultados. Un factor de ruido es un
Más detallesTEMA 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 detallesEstadística; 3º CC. AA. Examen final, 23 de enero de 2009
Estadística; 3º CC. AA. Examen final, 3 de enero de 9 Apellidos Nombre: Grupo: DNI. (5 ptos.) En un estudio sobre las variables que influyen en el peso al nacer se han obtenido utilizando SPSS los resultados
Más detallesÍndice. Diseños factoriales. José Gabriel Palomo Sánchez E.U.A.T. U.P.M. Julio de 2011
Diseños factoriales José Gabriel Palomo Sánchez gabrielpalomo@upmes EUAT UPM Julio de 2011 Índice 1 Diseños factoriales con dos factores 1 Denición 2 Organización de los datos 3 Ventajas de los diseños
Más detallesAnálisis de la varianza
Análisis de la varianza José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 I 1 Introducción 1 Comparación de medias 2 El pricipio de aleatorización 2 El problema de un factor
Más detallesANOVA. Análisis de la Varianza. Univariante Efectos fijos Muestras independientes
ANOVA Análisis de la Varianza Univariante Efectos fijos Muestras independientes De la t a la F En el test de la t de Student para muestras independientes, aprendimos como usar la distribución t para contrastar
Más detalles2. Modelos con regresores endógenos
. Introducción ema 3. Regresores Endógenos. Bibliografía: Wooldridge, 5., 5.4 y 6.2 En este tema vamos a estudiar el modelo lineal con regresores potencialmente endógenos. Veremos primero las consecuencias
Más detallesBloque 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 detallesSoluciones a los ejercicios propuestos del Tema 6
Soluciones a los ejercicios propuestos del Tema 6 1 Soluciones a los ejercicios propuestos del Tema 6 6.1. Es un diseño de un factor (la estirpe). La tabla ANOVA es: actor (entre tratamientos) Error (dentro
Más detallesEconometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
Más detallesLos estimadores mínimo cuadráticos bajo los supuestos clásicos
Los estimadores mínimo cuadráticos bajo los supuestos clásicos Propiedades estadísticas e inferencia Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni MCO bajo los supuestos clásicos 1
Más detallesPrácticas Tema 4: Modelo con variables cualitativas
Prácticas Tema 4: Modelo con variables cualitativas Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 4.1- Se dispone de información sobre 16 familias sobre
Más detallesEXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos)
EXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos) PROBLEMA 1 Se quiere comparar la cantidad de energía necesaria para realizar 3 ejercicios o actividades: andar, correr y montar en bici.
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesTest ANOVA. Prof. Jose Jacobo Zubcoff 1 ANOVA ANOVA. H 0 : No existen diferencias entre los k niveles H 1 : La hipótesis nula no es cierta
Test Compara la distribución de una variable continua normal en mas de dos poblaciones (niveles o categorías) H 0 : No existen diferencias entre los k niveles H : La hipótesis nula no es cierta Parte de
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesANOVA I ES EL ANÁLISIS DE LA VARIANZA DE UN FACTOR
ANOVA I ES EL ANÁLISIS DE LA VARIANZA DE UN FACTOR En el análisis de la varianza con un factor (ANOVA I) se supone que hay variación debida a los tratamientos. Se aplica un tratamiento distinto a cada
Más detallesDISEÑO EN PARCELAS DIVIDIDAS
DISEÑO EN PARCELAS DIVIDIDAS Este es un diseño experimental combinado que resulta útil cuando al estudiar simultáneamente varios factores, alguno o algunos de ellos deben ser aplicados sobre unidades experimentales
Más detallesIntervalo para la media si se conoce la varianza
178 Bioestadística: Métodos y Aplicaciones nza para la media (caso general): Este se trata del caso con verdadero interés práctico. Por ejemplo sirve para estimar intervalos que contenga la media del colesterol
Más detallesTema 8: Contraste de hipótesis
Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste
Más detallesIdeas básicas del diseño experimental
Ideas básicas del diseño experimental Capítulo 4 de Analysis of Messy Data. Milliken y Johnson (1992) Diseño de experimentos p. 1/23 Ideas básicas del diseño experimental Antes de llevar a cabo un experimento,
Más detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
Más detallesTema 3 Normalidad multivariante
Aurea Grané Máster en Estadística Universidade Pedagógica Aurea Grané Máster en Estadística Universidade Pedagógica Tema 3 Normalidad multivariante 3 Normalidad multivariante Distribuciones de probabilidad
Más detallesCapítulo 6. Análisis de la covarianza ANÁLISIS DE LA COVARIANZA UNIFACTORIAL INTRODUCCIÓN
Capítulo 6 Análisis de la covarianza INTRODUCCIÓN Es una combinación de dos técnicas: Análisis de la Varianza y Análisis de Regresión. En el Análisis de la Covarianza: F La variable respuesta es cuantitativa
Más detallesANOVA mul)factorial. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff
ANOVA mul)factorial Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Se puede examinar más de un factor simultáneamente (ANOVA de 2 factores, de 3 factores, etc.) Por qué un único análisis
Más detallesDISEÑOS MULTIFACTORIALES CON RESTRICCIONES DE ALEATORIZACIÓN. Diseños en bloques completos aleatorizados con dos tratamientos
DISEÑOS MULTIFACTORIALES CON RESTRICCIONES DE ALEATORIZACIÓN Los diseños en bloques utilizan una restricción en la aleatorización. Los cuadrados latinos utilizan dos restricciones en la aleatorización.
Más detallesAnálisis de la varianza (ANOVA)
Análisis de la varianza (ANOVA) Mª Isabel Aguilar, Eugenia Cruces y Bárbara Díaz UNIVERSIDAD DE MÁLAGA Departamento de Economía Aplicada (Estadística y Econometría) Parcialmente financiado a través del
Más detallesHipótesis Alternativa H 1 : ϑ Θ 1
INFERENCIA ESTADÍSTICA Tema 3.3: Contrastes de signicación Objetivos Dominar el esquema conceptual y el lenguaje propios de los contrastes de hipótesis. Construir contrastes de hipótesis para los parámetros
Más detallesESQUEMA GENERAL. Definición Clasificación Diseño simple de medidas repetidas Diseño factorial de medidas repetidas Diseño factorial mixto
TEMA IV ESQUEMA GENERAL Definición Clasificación Diseño simple de medidas repetidas Diseño factorial de medidas repetidas Diseño factorial mixto DISEÑOS DE MEDIDAS REPETIDAS Definición En el diseño medidas
Más detallesPruebas de Hipótesis Multiples
Pruebas de Hipótesis Multiples Cuando queremos hacer comparaciones de mas de dos poblaciones, una alternativa es comparar todos los grupos a la vez con el método de Análisis de Varianza (ANOVA) H o : µ
Más detallesTema 2 Datos multivariantes
Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,
Más detallesAnálisis Multivariante de Datos
Análisis Multivariante de Datos Curso 2016-2017 Por qué es importante realizar inferencia sobre los parámetros de la normal? La estimación máximo-verosímil (MV) de la distribución Normal son la media y
Más detallesAnova unifactorial Grados de Biología y Biología sanitaria
Anova unifactorial Grados de Biología y Biología sanitaria M. Marvá e-mail: marcos.marva@uah.es Unidad docente de Matemáticas, Universidad de Alcalá 29 de noviembre de 2015 El problema Analizaremos la
Más detallesTema 8. Fundamentos de Análisis discriminante
Máster en Técnicas Estadísticas Análisis Multivariante. Año 2008 2009. Profesor: César Sánchez Sellero. Tema 8. Fundamentos de Análisis discriminante 8.1. Introducción. Empezamos deniendo el problema discriminante.
Más detallesEstructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
Más detallesANEXO I. ANÁLISIS DE LA VARIANZA.
ANEXO I. ANÁLISIS DE LA VARIANZA. El análisis de la varianza (o Anova: Analysis of variance) es un método para comparar dos o más medias. Cuando se quiere comparar más de dos medias es incorrecto utilizar
Más detallesTema 1. Preliminares. 1.1 Resultados algebraicos
Tema 1 Preliminares 11 Resultados algebraicos Consideraremos habitualmente matrices con coeficientes en R y, ocasionalmente, en C Denotaremos por a i j a los elementos de una matriz A, donde el subíndice
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detallesCaso particular: Contraste de homocedasticidad
36 Bioestadística: Métodos y Aplicaciones 9.5.5. Caso particular: Contraste de homocedasticidad En la práctica un contraste de gran interés es el de la homocedasticidad o igualdad de varianzas. Decimos
Más detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detallesUniversidad Nacional Autónoma de México Laboratorio de Cómputo Científico, F. C.
: Un Universidad Nacional Autónoma de México Laboratorio de Cómputo Científico, F. C. : Un presenta México D.F., a 23 de Septiembre de 2010. Historia : Un La estimación de mineral recobrable es muy importante
Más detallesEconometría Aplicada
Econometría Aplicada Inferencia estadística, bondad de ajuste y predicción Víctor Medina Intervalos de confianza Intervalos de confianza Intervalos de confianza Intervalos de confianza La pregunta que
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesTécnicas de Inferencia Estadística II. Tema 2. Contrastes de hipótesis en poblaciones normales
Técnicas de Inferencia Estadística II Tema 2. Contrastes de hipótesis en poblaciones normales M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 2. Contrastes
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesAnálisis de Correspondencias Simple
1 Capítulo 4 Análisis de Correspondencias Simple 41 INTRODUCCIÓN El Análisis de Correspondencias Simple permite describir las relaciones entre dos variables categóricas dispuestas en una tabla de contingencia
Más detalles2. 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 detallesEstadística II Tema 1: Distribución normal multivariante
Estadística II Tema 1: Distribución normal multivariante José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Algunas propiedades de los vectores aleatorios Sea X = (X 1,..., X
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesAMD - Análisis Multivariante de Datos
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2016 200 - FME - Facultad de Matemáticas y Estadística 1004 - UB - Universitat de Barcelona 715 - EIO - Departamento de Estadística
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesDiseños Factoriales. Diseño de experimentos p. 1/18
Diseños Factoriales Diseño de experimentos p. 1/18 Introducción El término experimento factorial o arreglo factorial se refiere a la constitución de los tratamientos que se quieren comparar. Diseño de
Más detallesEstas dos clases. ANOVA I - Conceptos generales - Supuestos - ANOVA de una vía - Transformación de datos - Test a Posteriori - ANOVA de dos vías
ANOVA I 19-8-2014 Estas dos clases ANOVA I - Conceptos generales - Supuestos - ANOVA de una vía - Transformación de datos - Test a Posteriori - ANOVA de dos vías ANOVA II - ANOVA factorial - ANCOVA (análisis
Más detallesConceptos 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 detallesT2. 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 detallesCONTRASTES NO PARAMÉTRICOS: ALEATORIEDAD Y LOCALIZACIÓN
CONTRASTES NO PARAMÉTRICOS: ALEATORIEDAD Y LOCALIZACIÓN Antonio Morillas A. Morillas: C. no paramétricos (II) 1 1. Contrastes de aleatoriedad. Contraste de rachas. 2. Contrastes de localización 2.1 Contraste
Más detallesDiseños Factoriales. Diseño de experimentos p. 1/25
Diseños Factoriales Diseño de experimentos p. 1/25 Introducción El término experimento factorial o arreglo factorial se refiere a la constitución de los tratamientos que se quieren comparar. Diseño de
Más detallesPrácticas 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 detallesEjemplos 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 detallesASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN
CURSO DE BIOESTADÍSTICA BÁSICA Y SPSS ASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN Amaia Bilbao González Unidad de Investigación Hospital Universitario Basurto (OSI Bilbao-Basurto)
Más detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Métodos complementarios al análisis de varianza Comparaciones múltiples Comparación o pruebas de rangos múltiples Después de que se rechazó la hipótesis
Más detallesEjercicios Resueltos: Estimación de ecuaciones simultáneas
Ejercicios Resueltos: Estimación de ecuaciones simultáneas Román Salmerón Gómez Universidad de Granada 2 Consideremos el modelo de ecuaciones simultáneas dado por las dos ecuaciones siguientes: donde:
Más detallesSistemas de Ecuaciones Lineales y Matrices
Capítulo 4 Sistemas de Ecuaciones Lineales y Matrices El problema central del Álgebra Lineal es la resolución de ecuaciones lineales simultáneas Una ecuación lineal con n-incógnitas x 1, x 2,, x n es una
Más detallesDiseños factoriales con tres factores
Capítulo 6 Diseños factoriales con tres factores SupongamosquehayanivelesparaelfactorA,bnivelesdelfactorBycnivelespara el factor C y que cada réplica del experimento contiene todas las posibles combinaciones
Más detallesInformación sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992.
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Análisis y Diseño de Modelos Econométricos Profesor: MSc. Julio Rito Vargas Avilés. Participantes: Docentes /FAREM-Carazo Encuentro No.4
Más detallesAnálisis de la Varianza (ANOVA) y Correlación
Universidad de Chile Rodrigo Assar FCFM MA34B Andrés Iturriaga DIM Víctor Riquelme Análisis de la Varianza (ANOVA) y Correlación Resumen El test ANOVA analiza la relación entre una variable numérica y
Más detallesEstructura de este tema. Tema 3 Contrastes de hipótesis. Ejemplo
Estructura de este tema Tema 3 Contrastes de hipótesis José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Qué es un contraste de hipótesis? Elementos de un contraste: hipótesis,
Más detallesTema 6: Introducción a la Inferencia Bayesiana
Tema 6: Introducción a la Inferencia Bayesiana Conchi Ausín Departamento de Estadística Universidad Carlos III de Madrid concepcion.ausin@uc3m.es CESGA, Noviembre 2012 Contenidos 1. Elementos básicos de
Más detallesEstadística II Examen final junio - 17/06/16 Curso 2015/16 Soluciones Duración del examen: 2 h. y 45 min.
Estadística II Examen final junio - 17/06/16 Curso 201/16 Soluciones Duración del examen: 2 h. y 4 min. 1. (3, puntos) La publicidad de un fondo de inversión afirma que la rentabilidad media anual del
Más detallesTema 13: Contrastes No Paramétricos
Tema 13: Contrastes No Paramétricos Presentación y Objetivos. La validez de los métodos paramétricos depende de la validez de las suposiciones que se hacen sobre la naturaleza de los datos recogidos. La
Más detallesESTADÍSTICA APLICADA. Tema 4: Regresión lineal simple
ESTDÍSTIC PLICD Grado en Nutrición Humana y Dietética Planteamiento del problema Tema 4: Regresión lineal simple Recta de regresión de mínimos cuadrados El modelo de regresión lineal simple IC y contrastes
Más detallesUNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 45 a 57 UNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K JOSÉ A. JIMÉNEZ M.* Resumen En este artículo mediante el método de los
Más detallesModelos lineales. Tema 2: Inferencia en el modelo de regresión lineal simple. 6 de febrero de Carmen Armero
Carmen Armero 6 de febrero de 2012 Introducción Distribuciones en el muestreo Intervalos de confianza Contrastes de hipótesis El modelo de regresión lineal simple El modelo de regresión lineal simple para
Más detallesDISEÑO FACTORIAL MODELO JERÁRQUICO (0 ANIDADO)
DISEÑO FACTORIAL Niveles de B Niveles de A 1 2 3 4 5 1 y 11 y 12 y 13 y 14 y 15 2 y 21 y 22 y 23 y y 3 y 31 y 32 y 33 y 34 y 35 4 y 41 y 42 y 43 y 44 y 45 Todos los niveles de cada factor están combinados
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesExperimentos con factores aleatorios. Diseño de experimentos p. 1/36
Experimentos con factores aleatorios Diseño de experimentos p. 1/36 Introducción Hasta ahora hemos supuesto que los factores de un experimento son factores fijos, esto es, los niveles de los factores usados
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesANALISIS FACTORIAL. Jorge Galbiati R.
ANALISIS FACTORIAL Jorge Galbiati R El análisis factorial es un modelo matamático que pretende explicar la correlación entre un conjunto grande de variables observadas y un pequeño conjunto de factores
Más detallesAlgunos Tipos de matrices. Matrices. Algunos Tipos de matrices. Algunos Tipos de matrices
Matrices Una matriz de orden m n es un conjunto ordenado de m n números reales dispuestos en m filas y n columnas de la forma: A = a 11 a 12 a 1j a 1n a 21 a 22 a 2j a 2n a i1 a i2 a ij a in a m1 a m2
Más detallesTema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos
Tema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos Metodología de la Investigación en Fisioterapia Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura M.
Más detallesCAPÍTULO IV TRABAJO DE CAMPO Y PROCESO DE CONTRASTE DE LAS HIPÓTESIS
CAPÍTULO IV TRABAJO DE CAMPO Y PROCESO DE CONTRASTE DE LAS HIPÓTESIS 1. HIPÓTESIS ALTERNA E HIPÓTESIS NULA Para someter a contraste una hipótesis es necesario formular las Hipótesis Alternas ( H1 ) y formular
Más detallesContrastes para los parámetros de dos poblaciones Normales independientes. Varianzas desconocidas iguales
Contrastes para los parámetros de dos poblaciones Normales independientes. Ejercicios Tema 6 (Resuelto). Problema 4 En un estudio se determinaron las tasas de ramoneo de dos especies de erizo de mar, Paracentrotus
Más detallesMulticolinealidad. Universidad de Granada. RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17
Román Salmerón Gómez Universidad de Granada RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17 exacta: aproximada: exacta: aproximada: RSG Incumplimiento de las
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M.
MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Abordaremos en este capítulo el modelo de regresión lineal múltiple, una vez que la mayor parte de las
Más detalles