Regresión con efecto interactivo
|
|
- José Miguel Correa Suárez
- hace 6 años
- Vistas:
Transcripción
1 4 Regresión con efecto interactivo. Introducción El modelo de regresión múltiple tratado previamente supone la independencia de efectos de las diferentes variables predictoras, En este sentido, es un modelo aditivo - modelo de efectos principales- en el que cada variable ejerce efectos por separado sobre la criterio y el conjunto de estas variables suman sus efectos para predecir dicho resultado. No existe pues, una variable ajena a las contempladas que module o mediatice esta serie de efectos sumados, es decir, que condicione sus influencias. En el ejemplo que tratamos previamente diríamos que la inteligencia ejerce un efecto tal sobre la nota al que se le suma el efecto de la motivación en su correspondiente cuantía-. Si ocurriera que el efecto de la inteligencia sobre la nota fuera diferente según qué nivel de motivación tuviera el sujeto estaríamos hablando de un efecto de interacción entre inteligencia y motivación de tal manera que la relación entre inteligencia y la nota estaría modulado (interferido/condicionado) por la variable motivación. Por ejemplo, en el caso que ocurriera que para valores bajos de inteligencia la motivación se mostrara muy relevante pero no para valores altos de la misma. En los modelos explicativos en los que existen efectos de interacción es necesario contemplar coeficientes que representen específicamente tales efectos. sí, para el caso que comentamos, además de los efectos aditivos de las variables inteligencia y motivación sobre el rendimiento hay que incluir un término que represente la interacción entre las dos ( b ), de tal manera que la ecuación completa queda: Y ˆ = b + b + b + b 0 Este nuevo término representa el producto de las dos variables consideradas ( y ) y su coeficiente, junto con su significación o no, revelará si dicha interacción resulta o no relevante para incorporarla como término explicativo en el modelo.. Interacción entre una variable dicotómica y una cuantitativa. Supongamos, como hemos adelantado antes, que sospechamos que la relación entre inteligencia y rendimiento depende del nivel de motivación del sujeto o lo que es lo mismo, existe interacción entre motivación e inteligencia de tal manera que la motivación resulta una variable relevante para determinados valores de la inteligencia y no para otros. Supongamos dos valores diferentes para la variable motivación (0-59
2 motivación baja- y -motivación alta-). Estos podrían ser unos datos hipotéticos para dicha investigación: Sujetos (inteligencia) (motivación) Y (rendimiento) Para analizar si el efecto de una de las variables afecta a la variable Y dependiendo de la otra efecto interactivo- es necesario, como hemos indicado antes, introducir un nuevo efecto en el modelo que represente dicha interacción. Para ello añadimos al cuadro de datos anterior una nueva columna que sea el producto de las dos variables predictoras. Sin embargo, si lo hacemos exactamente así, obtendremos una tercera variable redundante con las restantes, es decir, colineal y conocida a partir de ellas impidiendo una adecuada estimación de los coeficientes de la ecuación. Para resolver este problema se procede centrando (cambiando en diferenciales) las puntuaciones de la variable cuantitativa (sus puntuaciones en diferencias respecto a su media) y una vez así, se procede a calcular la nueva variable producto de x (centradas). continuación se desarrollan estas operaciones: Sujetos (inteligencia) (motivación) Y (rendimiento) x x ,8 4,7 -,8-5,8 9,7-5,8 4,7 9,7 4,7 9, ,8-0,8-5,8-5, ,7 9,7 4,7 9,7 Media Con estos datos se calcula la ecuación de regresión de x, y x sobre Y. En el SPSS los comandos a activar son los mismos que en el modelo de regresión múltiple: nalizar/regresión/lineal especificando que la variable dependiente es el rendimiento y 60
3 las independientes la inteligencia centrada, la motivación y la interacción inteligencia centrada x motivación. partir de ello se obtienen, para los datos expuestos y entre otros, los siguientes resultados: Resumen del modelo R cuadrado Error típ. de la Modelo R R cuadrado corregida estimación,88(a),70,590,4597 a Variables predictoras: (Constante), interacc, motivación, Inteligencia Modelo NOV(b) Suma de cuadrados gl Media cuadrática F Sig. Regresión 9,47 9,749 6,80,07(a) Residual,40 8,55 Total 4,667 a Variables predictoras: (Constante), interacc, motivación, Inteligencia b Variable dependiente: nota Modelo Coeficientes(a) Coeficientes no estandarizados Coeficientes estandarizados t Sig. B Error típ. Beta (Constante) -9,6 4,56 -,60,054 Inteligencia,7,045,086,854 5 Motivación,84,77,049,54,806 InteligxMotiv -,57,06 -,56-4,5 a Variable dependiente: nota Por la primera tabla de resultados sabemos que el conjunto de predictores contemplados explican el 70.% de la variabilidad de Y, es decir, la variabilidad del rendimiento queda explicado en un 70.% por la inteligencia, la motivación y la interacción entre ellas. demás, el modelo resulta válido (p=.07) para representar los datos, esto es, constituye una adecuada explicación del rendimiento medido, siendo la ecuación de regresión estimada: = ( ) ( ) Los coeficientes que acompañan a la inteligencia y a la interacción resultan significativos (α=.05). Es por eso que concluimos que la inteligencia afecta significativamente al rendimiento: Por cada unidad de incremento en inteligencia respecto a su media es, decir, por cada valor diferencial más- se pronostica un incremento en el rendimiento de 0.7 puntos (cuando adopta un determinado valor). Respecto al efecto interactivo puede afirmarse que el cambio en el nivel de motivación (de baja a alta) produce un decremento del efecto que ejerce la inteligencia en diferencial- sobre el rendimiento en 0.57 puntos. Con otras palabras, el efecto que la inteligencia en diferencial tiene sobre el rendimiento es 0.57 puntos menos con motivación alta que con motivación baja. La motivación por su parte, como efecto principal, no constituye una variable explicativa relevante (p=.806); 6
4 De manera más pormenorizada, podemos comentar cada uno de estos coeficientes de la siguiente manera: b 0 : -9.6 es el rendimiento esperado en la tarea cuando todos los efectos del modelo valen 0. Es decir, cuando la inteligencia de los sujetos coincide con la media (ya que se mide en diferencial) y la motivación es baja (=0) b :..7 es el incremento esperado en el rendimiento cuando la condición de motivación es baja ( =0) por cada punto más en diferencial de la inteligencia. b :.84 es el incremento pronosticado en el rendimiento cuando =, es decir, cuando los sujetos tienen motivación alta y cuando ( ) es igual a 0, es decir, cuando la inteligencia está en su valor medio. b : -.57, tal y como hemos indicado antes, es el cambio previsto en el efecto de la inteligencia (centrada) sobre el rendimiento cuando la motivación cambia de baja a alta. Esto es lo mismo que decir que la inteligencia constituye un factor más favorecedor del rendimiento con inteligencia baja que con inteligencia alta. En suma, hemos validado un modelo de regresión en el que el efecto de la interacción entre variables es relevante. En este sentido, ocurre que la influencia de una de las variables predictoras sobre la variable criterio está condicionada por el efecto de la otra variable predictora. Si esto es así, resultará aclaratorio analizar cual es concretamente dicho efecto según los valores que adopta la variable moduladora. Tomemos, por ejemplo, y por razones de simplicidad, la variable dicotómica como moduladora. La intención es entonces evaluar el efecto de (inteligencia) sobre el rendimiento bajo cada una de las condiciones de (motivación); esto es, plantear dos ecuaciones de regresión por separado para cada nivel de que manifieste el efecto concreto de sobre Y según se presente un valor u otro de (motivación alta o baja). Resultan, pues, dos ecuaciones de regresión que derivan de las siguientes operaciones: Por un lado, si =0 (motivación baja), sustituyendo en la ecuación original nos queda: = b 0 = b 0 + b ( + b ( ) + b ) + b + b ( 0+ b ( ) ) 0 ˆ Y = b0 + b ( ) Cuando = (motivación alta), la ecuación de regresión original: = b 0 + b ( ) + b + b( ) se reduce a: ˆ Y = b0 + b ( ) + b + b ( ) en la que sacando factor común de : 6
5 ˆ Y = ( b0 + b ) + ( b + b )( Tenemos, pues, dos ecuaciones de regresión diferentes (de sobre Y) para cada valor de que tienen sentido por cuanto el efecto de sobre Y resulta diferente en cada valor de, es decir, existe un efecto de interacción significativo. Dichas ecuaciones ofrecen los coeficientes necesarios para interpretar las relaciones entre variables dentro de cada valor de y su comparación (en este lugar a partir de criterios gráficos) nos servirá para inferir qué tipo de efecto interactivo se está produciendo entre las variables. Para el caso que tratamos, entonces, y teniendo en cuenta la ecuación de regresión estimada al principio, derivamos las ecuaciones para cada valor de (motivación): Para = 0 (motivación baja): ) Para = (motivación alta): = ( b 0 + b ) + ( b = ( + b )( ˆ Y = b0 + b = ( ) ) = ( ) + ( )( la luz de estas dos ecuaciones se interpretan mejor los coeficientes que antes describíamos en la ecuación general. Corrobórese que en la primera de ellas (cuando = 0), el efecto de la inteligencia (centrada) sobre el rendimiento es de 0.7. Por su parte, -9.6 sería la nota esperada si la inteligencia del sujeto coincide con la media, es decir, cuando = (y obviamente bajo la condición de motivación baja). Por otro lado, cuando la motivación es alta ( = ), el efecto de la inteligencia en diferencial sobre el rendimiento es de Este valor en la segunda ecuación constituye un valor mucho más pequeño además negativo- que en la ecuación anterior (cuando =0). En esta comparación precisamente radica el sentido del efecto interactivo: Obsérvese que la diferencia entre el valor de este coeficiente (-.084) y el de la ecuación anterior (.7) [ (-.084) -.7 = -.57] es justamente -.57, el coeficiente b en la ecuación general, es decir, la diferencia entre el efecto de la inteligencia en motivación baja respecto a su efecto cuando la motivación es alta. Por último, es la nota esperada para los sujetos de motivación alta cuanto su inteligencia coincide con la media. La representación gráfica de estos resultados nos ayuda, muy especialmente, a entender el tipo de efecto interactivo que está produciéndose. Se trata de dibujar dos ejes de coordenadas para la relación entre e Y (inteligencia y rendimiento), uno para cada nivel de la variable (motivación). La comparación de ambas gráficas aportará el sentido de la interacción que estudiamos. En el paquete estadístico SPSS se procede como sigue para la consecución de tales ejes de coordenadas: Gráficos/Interactivos/Diagrama de dispersión ubicando las variables inteligencia y nota en el eje de coordenadas como variables de leyenda y la variable motivación como variable de panel. La salida aportada es la siguiente: ) ) = 6
6 nota 4. Regresión con efecto interactivo 0 0 nota = -9,6 + 0,7 * Inteligencia R-cuadrado = 0,99 Regresión lineal 8 6 nota = 5,5 + -0,08 * Inteligencia R-cuadrado = 0, Inteligencia Inteligencia Tal y como suponíamos desde el principio, estas gráficas muestran que el efecto de la inteligencia sobre la nota es mucho más relevante cuando la motivación es baja (además de signo contrario a su efecto cuando la motivación es alta). Es decir, la variabilidad de la nota se explica en un 99% por la variable inteligencia en dicha circunstancia. Cuando la motivación es baja, por el contrario, dicho efecto además de ser negativo, es sustancialmente menor (en este caso la nota queda explicada sólo en un % por cuenta de la inteligencia). Las ecuaciones de regresión para cada caso quedan expuestas en estas gráficas. Estas ecuaciones resultan aproximadas a las calculadas anteriormente a partir de la ecuación general con todos los sujetos de la investigación (hay que tener en cuenta que ahora la muestra se divide en dos grupos). Pueden servir de todas formas para interpretar de forma aproximativa la interacción tal y como comentamos.. Interacción entre dos variables cuantitativas. Volvamos de nuevo al archivo de datos inicial en el que la variable motivación se medía cualitativamente para puntuarla ahora mediante una escala cuantitativa y calculemos las puntuaciones centradas para ambas variables predictoras (x y x): 64
7 Y Sujetos (Inteligencia) (Motivación) (Nota) Medias S x x x*x 7,78 87,78 8,78 67,78 0,78 77,78 87,78 9,78 7,78 67,78 87,78 0,78 -,05,95 -,05,95,95 -,05,95,95 6,95,95,95 6,95 -,98 7,7-5,48,7 00,4-7, 048,97 06,5,6 65,57 804,57 74, Solicitamos al paquete estadístico SPSS que nos estime la ecuación de regresión contemplando el término interactivo entre estas variables. Para ello, utilizamos para estimar dicho modelo tanto las variables motivación e inteligencia (en centradas) como el producto entre estas puntuaciones centradas (x*x): nalizar/regresión/llineal especificando que las variables predictoras son x, x y x*x y la variable dependiente o criterio el rendimiento. Los resultados obtenidos, entre otros, son los siguientes: Coeficientes(a) Coeficientes no estandarizados Coeficientes estandarizad os Modelo B Error típ. Beta t Sig. (Constante) -5,99,76 -,807,08 x,55,09,974,947 4 x,97, 6,55 4,40 xxx -,0-6,47-4,75 a Variable dependiente: nota La ecuación resultante es: = x +.97x. 0 x x 65
8 La salida proporcionada nos indica además que tanto los efectos independientes de ambos predictores como la interacción entre ellos resultan términos significativos en el modelo de regresión estimado. Ello significa que debemos enfatizar este último efecto ya que, como sabemos, nos está indicando que el efecto de la inteligencia sobre la nota depende de la motivación; o al revés, el efecto de la motivación sobre la nota depende del nivel de inteligencia. En este caso, pues, no tiene sentido enfatizar los efectos de cada una de las variables por separado. Para apreciar más pormenorizadamente este efecto interactivo e interpretarlo se suele identificar distintos niveles de una de las variables s contempladas para conocer cómo se produce la relación entre la otra y la Y bajo estos diferentes valores. Por ejemplo, utilizando la motivación, tendríamos que, para identificar tres niveles diferentes de dicha variable, podemos diferenciar a los sujetos que puntúan en la misma más allá de una DT por encima de su media, más allá de una DT por debajo de su media y DT alrededor de la misma. l fin y al cabo esta especie de categorización supone replantear la inicial variable motivación claramente cuantitativa en una variable pseudocategórica. Para hacer esto pedimos al paquete estadístico que nos proporcione los descriptivos de las variables con las que trabajamos: Estadísticos descriptivos N Mínimo Máximo Media Desv. típ. Inteligencia ,8,648 Motivación 0 45,967,04857 Nota 4 0 6,8,9465 N válido (según lista) Replanteando la ecuación inicial: = x +.97x. 0 x x Y& = ( x x ) + (.55.0x ) Y sustituyendo en la ecuación reformulada estos diferentes valores de x (sus desviaciones típicas), tenemos: Cuando x > DT: = ( ) + ( ) x = x Para averiguar de una forma alternativa la relevancia estadística de este término interactivo en el modelo (sabemos que sí lo es -α=.05- pues el valor de p asociado a tal coeficiente es.00 en la tabla anterior), puede procederse mediante el método ya conocido de la estimación por pasos. Es decir, evaluando cuánto aporta la interacción sobre la explicación de la variable Y tras lo que ya explicaban previamente las variables y como efectos principales. Se trata, en este sentido, de estimar el incremento de la variabilidad explicada del modelo comparando aquel sin términos interactivo y aquél que sí lo incorpora evaluando sus significación con la F del incremento 66
9 Cuando x = 0 DT: Cuando x < DT: Y ˆ = ( ) + ( ) x = x Y ˆ = ( ) + ( ) x = x Habiendo planteado estas ecuaciones de regresión para cada valor delimitado de la motivación podemos decir que mientras que para los sujetos de motivación más alta (mayor a una DT sobre la media), el efecto de la inteligencia sobre el rendimiento es negativo y muy pequeño en los otros dos grupos resulta positivo. demás, entre éstos, es más prominente para los sujetos cuya motivación es menor, es decir, aquellos que muestran una puntuación menor a una DT por debajo de la media. Lo que podemos preguntarnos a continuación es si estos coeficientes estimados por ecuación resultan o no estadísticamente significativos. Esto supone preguntarse a su vez sobre la naturaleza de la interacción, es decir, implica indagar sobre el sentido y la fuerza en que la inteligencia influye sobre el rendimiento en cada una de las condiciones de la variable moduladora Si estos sentidos y/o fuerzas cambian de unas condiciones (ecuaciones) a otras, estamos ante la presencia de un efecto interactivo. unque lo hayamos probado anteriormente de manera global (por su significación en el coeficiente en la ecuación de regresión general), ahora tenemos la oportunidad de analizarlo con mayor minuciosidad, reparando en las condiciones concretas en que éste resulta relevante. En esta línea debemos calcular la significación de cada uno de los coeficientes de las ecuaciones anteriores. Como se sabe, la t de un coeficiente corresponde a la siguiente formulación: b t = S b siendo b el valor del coeficiente a estudiar y S b su error típico. Dicho error típico se calcula de la siguiente manera para el caso que nos ocupa: S b = S + + ZS Z S siendo Z los diferentes valores de las pseudocategorías delimitadas para la variable moduladora (DT por encima de su media, 0 DT alrededor de la media y DT por debajo de su media), S la varianza de la variable x, S la covarianza entre las variables x y x (esto es, el producto de x*x) y S la varianza de la variable x (o producto). En nuestro caso y obteniendo la tabla de varianzas covarianzas entre las variable implicadas: 67
10 Correlaciones de los coeficientes(a) Modelo xxx x x Correlaciones xxx 0 -,66 -,99 x -,66 0,66 x -,99,66 0 Covarianzas xxx -7,4E- 7,54E x -7,4E x - 6,049 a Variable dependiente: nota se tiene para cada uno de los coeficientes: S b S b = S + ZS + Z S = ( ) + (.04) =.07 S b = S + ZS+ Z S = ( ) + (0) =.044 = S + ZS + Z S =.00+ (.04) ( ) + (.04) =.05 Por lo que sus correspondientes valores de t serían: t b.004 = = =.07 Sb.07 b.55 t b = = =.5 Sb.044 b. t b = = = 6. S.05 b b Buscando en las tablas on line la p correspondiente a cada una de estos valores t para 0 gl obtenemos: t b tiene asociada una probabilidad de.97 t tiene asociada una probabilidad de.0055 b t tiene asociada una probabilidad de.000 b Con estos valores podemos concluir que el primer coeficiente no resulta significativo (α=.05) con lo cual, la inteligencia no influye sobre el rendimiento cuando el nivel de motivación es alta (menor a DT por debajo de su media). Sin embargo, tanto cuando el nivel de motivación es medio como bajo la inteligencia sí es una variable relevante en el rendimiento. Digamos que la inteligencia sólo asume un papel relevante en la tarea en cuestión si la motivación del sujeto es media-baja. En esto radica el efecto de interactivo. Esta tabla se obtiene en el SPSS mediante las siguientes instrucciones: nalizar/regresión/lineal con los predictores y la variable criterio en sus lugares correspondientes y en opciones se marca la petición matriz de covarianzas 68
Regresión con variables independientes cualitativas
Regresión con variables independientes cualitativas.- Introducción...2 2.- Regresión con variable cualitativa dicotómica...2 3.- Regresión con variable cualitativa de varias categorías...6 2.- Introducción.
Más detallesRegresión con variables cualitativas
3 Regresión con variables cualitativas. Introducción Hasta ahora hemos abordado el tema de la correlación y la regresión con variables cuantitativas. Sin embargo, un estudio de regresión similar puede
Más detallesSOLUCIÓN A LOS EJERCICIOS DEL SPSS Bivariante
SOLUCIÓ A LOS EJERCICIOS DEL SPSS Bivariante. a). La media y la varianza de las variables estatura y peso en la escala de medida norteamericana. Peso Peso: Transformar -> Calcular: Libras.4536 Peso libras
Más detalles3. ASOCIACIÓN ENTRE DOS VARIABLES CUALITATIVAS
1. INTRODUCCIÓN Este tema se centra en el estudio conjunto de dos variables. Dos variables cualitativas - Tabla de datos - Tabla de contingencia - Diagrama de barras - Tabla de diferencias entre frecuencias
Más 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 detalles1. Cómo introducir datos en SPSS/PC? - Recordatorio
1 Taller de Estadística Curso 2oo5/2oo6 Descripción de datos bivariantes El objetivo de esta práctica es familiarizarse con las técnicas de descripción de datos bidimensionales y con algunas de las opciones
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detalles15. Regresión lineal. Te recomiendo visitar su página de apuntes y vídeos:
15. Regresión lineal Este tema, prácticamente íntegro, está calacado de los excelentes apuntes y transparencias de Bioestadística del profesor F.J. Barón López de la Universidad de Málaga. Te recomiendo
Más detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
Más 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 detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesRegresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A
Regresión lineal REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL MÚLTIPLE N A Z IRA C A L L E J A Qué es la regresión? El análisis de regresión: Se utiliza para examinar el efecto de diferentes variables (VIs
Más detallesTema 3. Relación entre dos variables cuantitativas
Tema 3. Relación entre dos variables cuantitativas Resumen del tema 3.1. Diagrama de dispersión Cuando sobre cada individuo de una población se observan simultáneamente dos características cuantitativas
Más detallesEstadística aplicada a la comunicación
Estadística aplicada a la comunicación Tema 5: Análisis de datos cuantitativos I: estadística descriptiva b. Análisis bivariante OpenCourseWare UPV/EHU Unai Martín Roncero Departamento de Sociología 2
Más detallesJesús Eduardo Pulido Guatire, marzo Diagrama de Dispersión y Correlación Lineal Simple
Jesús Eduardo Pulido Guatire, marzo 0 Diagrama de Dispersión y Correlación Lineal Simple Hasta el momento el trabajo lo hemos centrado en resumir las características de una variable mediante la organización
Más detallesRegresión Lineal. Dra. Noemí L. Ruiz Limardo 2008 Derechos Reservados, Rev 2010
Regresión Lineal Dra. Noemí L. Ruiz Limardo 008 Derechos Reservados, Rev 010 Objetivos de la Lección Conocer el significado de la regresión lineal Determinar la línea de regresión cuando ha correlación
Más detallesRelación entre la altura y la distancia del suelo al ombligo
Relación entre la altura y la distancia del suelo al ombligo JULIA VIDAL PIÑEIRO Los 79 datos usados para realizar el estudio estadístico de la relación altura- distancia al ombligo, se tomaron a personas
Más detallesSESIÓN PRÁCTICA 7: REGRESION LINEAL SIMPLE PROBABILIDAD Y ESTADÍSTICA. PROF. Esther González Sánchez. Departamento de Informática y Sistemas
SESIÓN PRÁCTICA 7: REGRESION LINEAL SIMPLE PROBABILIDAD Y ESTADÍSTICA PROF. Esther González Sánchez Departamento de Informática y Sistemas Facultad de Informática Universidad de Las Palmas de Gran Canaria
Más detallesCORRELACIÓN Y REGRESIÓN. Raúl David Katz
CORRELACIÓN Y REGRESIÓN Raúl David Katz 1 Correlación y regresión Introducción Hasta ahora hemos visto el modo de representar la distribución de frecuencias de los datos correspondientes a una variable
Más detallesEl ejemplo: Una encuesta de opinión
El ejemplo: Una encuesta de opinión Objetivos Lo más importante a la hora de planificar una encuesta es fijar los objetivos que queremos lograr. Se tiene un cuestionario ya diseñado y se desean analizar
Más detallesCapítulo 8. Análisis Discriminante
Capítulo 8 Análisis Discriminante Técnica de clasificación donde el objetivo es obtener una función capaz de clasificar a un nuevo individuo a partir del conocimiento de los valores de ciertas variables
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 13 REGRESIÓN LOGÍSTICA Es un tipo de análisis de regresión en el que la variable dependiente no es continua, sino dicotómica, mientras que las variables independientes pueden ser cuantitativas o cualitativas.
Más detallesESTADÍSTICA CON EXCEL
ESTADÍSTICA CON EXCEL 1. INTRODUCCIÓN La estadística es la rama de las matemáticas que se dedica al análisis e interpretación de series de datos, generando unos resultados que se utilizan básicamente en
Más detallesAnálisis de Componentes de la Varianza
Análisis de Componentes de la Varianza Resumen El procedimiento de Análisis de Componentes de Varianza está diseñado para estimar la contribución de múltiples factores a la variabilidad de una variable
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 detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesCORRELACIÓN Y REGRESIÓN. Juan José Hernández Ocaña
CORRELACIÓN Y REGRESIÓN Juan José Hernández Ocaña CORRELACIÓN Muchas veces en Estadística necesitamos saber si existe una relación entre datos apareados y tratamos de buscar una posible relación entre
Más detallesESTADÍSTICA. Individuo. Es cada uno de los elementos que forman la población o muestra.
ESTADÍSTICA La estadística tiene por objeto el desarrollo de técnicas para el conocimiento numérico de un conjunto de datos empíricos (recogidos mediante experimentos o encuestas). Según el colectivo a
Más detallesEstadís5ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 2. Modelos de regresión
Estadís5ca Tema 2. Modelos de regresión María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación Este tema se publica bajo
Más detallesCAPÍTULO 4 RECOPILACIÓN DE DATOS Y CÁLCULO DEL VPN. En el presente capítulo se presenta lo que es la recopilación de los datos que se tomarán
CAPÍTULO 4 RECOPILACIÓN DE DATOS Y CÁLCULO DEL VPN En el presente capítulo se presenta lo que es la recopilación de los datos que se tomarán para realizar un análisis, la obtención del rendimiento esperado
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesRegresión y Correlación
Relación de problemas 4 Regresión y Correlación 1. El departamento comercial de una empresa se plantea si resultan rentables los gastos en publicidad de un producto. Los datos de los que dispone son: Beneficios
Más detallesEl Análisis de Correspondencias tiene dos objetivos básicos:
Tema 8 Análisis de correspondencias El Análisis de Correspondencias es una técnica de reducción de dimensión y elaboración de mapas percentuales. Los mapas percentuales se basan en la asociación entre
Más detallesEVALUACIÓN EXTRAORDINARIA DE SEPTIEMBRE CURSO Contenidos para la Prueba de Septiembre MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I.
EVALUACIÓN EXTRAORDINARIA DE SEPTIEMBRE CURSO 2013-2014. Contenidos para la Prueba de Septiembre MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I. UNIDAD 3: POLINOMIOS Y FRACCIONES ALGEBRAICAS Operaciones
Más detallesCAPÍTULO 4 (Continuación): ESTADÍSTICA DESCRIPTIVA BIVARIADA
Página de CAPÍTULO (Continuación): ESTADÍSTICA DESCRIPTIVA BIVARIADA Relaciones entre dos variables cuantitativas A menudo nos va a interesar describir la relación o asociación entre dos variables. Como
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesPráctica 5 ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS
Práctica. Intervalos de confianza 1 Práctica ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS Objetivos: Ilustrar el grado de fiabilidad de un intervalo de confianza cuando se utiliza
Más detallesPREGUNTAS TIPO EXAMEN- ESTADÍSTICA DESCRIPTIVA 2
PREGUNTAS TIPO EXAMEN- ESTADÍSTICA DESCRIPTIVA 2 Preg. 1. Para comparar la variabilidad relativa de la tensión arterial diastólica y el nivel de colesterol en sangre de una serie de individuos, utilizamos
Más detallesEstadística para investigadores: todo lo que siempre quiso saber y nunca se atrevió a preguntar
Estadística para investigadores: todo lo que siempre quiso saber y nunca se atrevió a preguntar Módulo 2. Estadística Descriptiva: Medidas de síntesis Mª Purificación Galindo Villardón Mª Purificación
Más detallesPráctica 9: Anova (2).
Práctica 9: Anova (2) Dedicamos esta práctica al estudio de modelos bifactoriales del análisis de la varianza Veremos concretamente diseños bifactoriales con y sin interacción, diseño por bloques al azar
Más detallesUNIDAD 10: ECUACIONES DE SEGUNDO GRADO.
UNIDAD 10: ECUACIONES DE SEGUNDO GRADO. 10.1 Estudio elemental de la ecuación de segundo grado. Expresión general. 10.2 Resolución de ecuaciones de segundo grado completas e incompletas. 10.3 Planteamiento
Más detallesVariables estadísticas bidimensionales: problemas resueltos
Variables estadísticas bidimensionales: problemas resueltos BENITO J. GONZÁLEZ RODRÍGUEZ (bjglez@ull.es) DOMINGO HERNÁNDEZ ABREU (dhabreu@ull.es) MATEO M. JIMÉNEZ PAIZ (mjimenez@ull.es) M. ISABEL MARRERO
Más detallesMedidas de centralización
1 1. Medidas de centralización Medidas de centralización Hemos visto cómo el estudio del conjunto de los datos mediante la estadística permite realizar representaciones gráficas, que informan sobre ese
Más detallesTema 2. Descripción Conjunta de Varias Variables
Tema 2. Descripción Conjunta de Varias Variables Cuestiones de Verdadero/Falso 1. La covarianza mide la relación lineal entre dos variables, pero depende de las unidades de medida utilizadas. 2. El análisis
Más detallesEste programa estadístico está organizado en dos bloques: el editor de datos y el visor de resultados.
Bases de Estadística Licenciatura en Ciencias Ambientales Curso 2oo3/2oo4 Introducción al SPSS/PC Este programa estadístico está organizado en dos bloques: el editor de datos y el visor de resultados.
Más detallesFunción cuadrática. Ecuación de segundo grado completa
Función cuadrática Una función cuadrática es aquella que puede escribirse como una ecuación de la forma: f(x) = ax 2 + bx + c donde a, b y c (llamados términos) son números reales cualesquiera y a es distinto
Más detallesADMINISTRACION DE OPERACIONES
Sesión4: Métodos cuantitativos ADMINISTRACION DE OPERACIONES Objetivo específico 1: El alumno conocerá y aplicara adecuadamente los métodos de pronóstico de la demanda para planear la actividad futura
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesVARIABLES ESTADÍSTICAS BIDIMENSIONALES
VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes
Más detallesRepaso Estadística Descriptiva
Grado en Fisioterapia, 2010/11 Cátedra de Bioestadística Universidad de Extremadura 13 de octubre de 2010 Índice Descriptiva de una variable 1 Descriptiva de una variable 2 Índice Descriptiva de una variable
Más detalles3.1 Proyección de la Demanda. Fundación Bariloche. Noviembre de Documento PDF.
3.1 Proyección de la Demanda. Fundación Bariloche. Noviembre de 2008. Documento PDF. 5. PROYECCIONES DE LA DEMANDA DE ENERGIA Estudio Prospectiva de la Demanda de Energía de República Dominicana Informe
Más detallesDEPARTAMENTO DE MATEMÁTICAS. IES GALLICUM
UNIDAD I: NÚMEROS (6 Horas) 1.- Repasar el cálculo con números racionales y potencias de exponente entero. 2.- Resolver problemas de la vida cotidiana en los que intervengan los números racionales. 1.-
Más detallesMODELO DE REGRESIÓN LINEAL Y MÚLTIPLE ESTADÍSTICA APLICADA AL MEDIO AMBIENTE Grado en Ciencias Ambientales
MODELO DE REGRESIÓN LINEAL Y MÚLTIPLE ESTADÍSTICA APLICADA AL MEDIO AMBIENTE Grado en Ciencias Ambientales 3.1. En algunas reservas naturales se controla el número Y de ejemplares de cierta especie al
Más detallesTema: ESTADÍSTICA DESCRIPTIVA BÁSICA CON SPSS 8.0
Ignacio Martín Tamayo 11 Tema: ESTADÍSTICA DESCRIPTIVA BÁSICA CON SPSS 8.0 ÍNDICE ------------------------------------------------------------- 1. Introducción 2. Frecuencias 3. Descriptivos 4. Explorar
Más detallesEstadística Descriptiva. SESIÓN 11 Medidas de dispersión
Estadística Descriptiva SESIÓN 11 Medidas de dispersión Contextualización de la sesión 11 En la sesión anterior se explicaron los temas relacionados con la dispersión, una de las medidas de dispersión,
Más detallesAnálisis matemático de la función de Nelson y Siegel
Anexos Anexo 1 Análisis matemático de la función de Nelson y Siegel La función que define el tipo forward según el modelo propuesto por Nelson y Siegel (1987) es la siguiente: con m 0 y τ 0. 1 > m m m
Más detallesTema 2.- Formas Cuadráticas.
Álgebra. 004 005. Ingenieros Industriales. Departamento de Matemática Aplicada II. Universidad de Sevilla. Tema.- Formas Cuadráticas. Definición y representación matricial. Clasificación de las formas
Más detallesAnálisis Probit. StatFolio de Ejemplo: probit.sgp
STATGRAPHICS Rev. 4/25/27 Análisis Probit Resumen El procedimiento Análisis Probit está diseñado para ajustar un modelo de regresión en el cual la variable dependiente Y caracteriza un evento con sólo
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA Medidas de tendencia central y de dispersión Giorgina Piani Zuleika Ferre 1. Tendencia Central Son un conjunto de medidas estadísticas que determinan un único valor que define el
Más detallesPARÁBOLA IX.
IX. PARÁBOLA Lugar geométrico de todos los puntos tales que la distancia de éstos a un punto fijo (foco) es siempre la misma a una recta fija (directriz). p = distancia del vértice al foco o del vértice
Más detallesEstadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1
Estadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1 Relación entre dos variables Al estudiar conjuntos de variables con más de una variable, una pregunta
Más detallesGUÍA 5 : EFECTO DEL ESTRÉS EN EL PESO DE RECIÉN NACIDOS
GUÍA 5 : EFECTO DEL ESTRÉS EN EL PESO DE RECIÉN NACIDOS Se realizó un estudio a partir de una muestra aleatoria de mujeres atendidas por el departamento de obstetricia y ginecología de cierta clínica particular.
Más detallesTécnicas de Investigación Social
Licenciatura en Sociología Curso 2006/07 Técnicas de Investigación Social Medir la realidad social (4) La regresión (relación entre variables) El término REGRESIÓN fue introducido por GALTON en su libro
Más detallesTEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
Más detallesUNIVERSIDAD AUTONOMA DE SANTO DOMINGO
UNIVERSIDAD AUTONOMA DE SANTO DOMINGO FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES DEPARTAMENTO DE ESTADISITICA CATEDRA Estadística Especializada ASIGNATURA Estadística Descriptiva Para Psicólogos (EST-225)
Más detallesTipo de punta (factor) (bloques)
Ejemplo Diseño Bloques al Azar Ejercicio -6 (Pág. 99 Montgomery) Probeta Tipo de punta (factor) (bloques) 9. 9. 9.6 0.0 9. 9. 9.8 9.9 9. 9. 9.5 9.7 9.7 9.6 0.0 0. ) Representación gráfica de los datos
Más detallesFabio Prieto Ingreso 2003
Fabio Prieto Ingreso 00. INECUACIONES CON UNA VARIABLE.. Inecuación lineal Llamaremos desigualdad lineal de una variable a cualquier epresión de la forma: a + b > 0 o bien a + b < 0 o bien a + b 0 o bien
Más detallesJUNIO Bloque A
Selectividad Junio 009 JUNIO 009 Bloque A 1.- Estudia el siguiente sistema en función del parámetro a. Resuélvelo siempre que sea posible, dejando las soluciones en función de parámetros si fuera necesario.
Más detallesTema 1.- Correlación Lineal
Tema 1.- Correlación Lineal 3.1.1. Definición El término correlación literalmente significa relación mutua; de este modo, el análisis de correlación mide e indica el grado en el que los valores de una
Más detallesUna ecuación puede tener ninguna, una o varias soluciones. Por ejemplo: 5x 9 = 1 es una ecuación con una incógnita con una solución, x = 2
Podemos definir a las ecuaciones como una igualdad entre expresiones algebraicas (encadenamiento de números y letras ligados por operaciones matemáticas diversas),en la que intervienen una o más letras,
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 detallesPRÁCTICA 3: Ejercicios del capítulo 5
PRÁCICA 3: Eercicios del capítulo 5 1. Una empresa bancaria a contratado a un equipo de expertos en investigación de mercados para que les asesoren sobre el tipo de campaña publicitaria más recomendable
Más detallesZ i
Medidas de Variabilidad y Posición. Jesús Eduardo Pulido Guatire, marzo 010 Cuando trabajamos el aspecto denominado Medidas de Tendencia Central se observó que tanto la media como la mediana y la moda
Más detallesMétodo de Análisis del Riesgo (Estudio del Calibrador Atributos)
Método de Análisis del Riesgo (Estudio del Calibrador Atributos) Resumen El Método de Análisis del Riesgo cuantifica la incertidumbre de un sistema de medición donde las observaciones consisten de atributos
Más detallesentonces las derivadas laterales existen y son iguales. y vale lo mismo. Si existen las derivadas laterales y son iguales, entonces existe f (a)
DERIVADAS. TEMA 2. BLOQUE 1 1.- DERIVADA DE UNA FUNCIÓN EN UN PUNTO Se llama derivada de la función y = f ( en el punto de abscisa x = a al límite f ( f ( a f ( a = lím x a x a Si existe f (a entonces
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 detalles1. Caso no lineal: ajuste de una función potencial
1. Caso no lineal: ajuste de una función potencial La presión (P) y el volumen (V ) en un tipo de gas están ligados por una ecuación del tipo PV b = a, siendo a y b dos parámetros desconocidos. A partir
Más detallesEJERCICIOS RESUELTOS DE INTEGRAL DEFINIDA
EJERCICIOS RESUELTOS DE INTEGRAL DEFINIDA. Calcular las siguientes integrales definidas: b) d e d c) + d d) d e) sen d f) + d d ( ) En primer lugar se ha calculado una primitiva de f() Barrow. y después
Más detallesModelos de PERT/CPM: Probabilístico
INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE CÓMPUTO Modelos de PERT/CPM: Probabilístico M. En C. Eduardo Bustos Farías 1 Existen proyectos con actividades que tienen tiempos inciertos, es decir,
Más detallesY accedemos al cuadro de diálogo Descriptivos
SPSS: DESCRIPTIVOS PROCEDIMIENTO DE ANÁLISIS INICIAL DE DATOS: DESCRIPTIVOS A diferencia con el procedimiento Frecuencias, que contiene opciones para describir tanto variables categóricas como cuantitativas
Más detallesUNIDAD 7 Medidas de dispersión
UNIDAD 7 Medidas de dispersión UNIDAD 7 MEDIDAS DE DISPERSIÓN Al calcular un promedio, por ejemplo la media aritmética no sabemos su representatividad para ese conjunto de datos. La información suministrada
Más detallesEspacios Vectoriales Asturias: Red de Universidades Virtuales Iberoamericanas 1
Espacios Vectoriales 201 6Asturias: Red de Universidades Virtuales Iberoamericanas 1 Índice 1 Espacios Vectoriales... 4 1.1 Definición de espacio vectorial... 4 1.2 Definición de subespacio vectorial...
Más detallesExactitud y Linearidad del Calibrador
Exactitud y Linearidad del Calibrador Resumen El procedimiento Exactitud y Linearidad del Calibrador fue diseñado para estimar la exactitud del sistema de medición. En contraste con los procedimientos
Más detallesTema 8. Análisis de dos variables Ejercicios resueltos 1
Tema 8. Análisis de dos variables Ejercicios resueltos 1 Ejercicio resuelto 8.1 La siguiente tabla muestra la distribución del gasto mensual en libros y el gasto mensual en audiovisual en euros en los
Más detallesLa producción de acero en Monterrey N.L. (México) en millones de toneladas, durante el año de 1992 a partir del mes de enero se muestra en la tabla:
El objetivo al estudiar el concepto razón de cambio, es analizar tanto cuantitativa como cualitativamente las razones de cambio instantáneo y promedio de un fenómeno, lo cual nos permite dar solución a
Más detallesLa reordenación aleatoria de un conjunto finito
La reordenación aleatoria de un conjunto finito Pérez Cadenas J. I. 0.06.2003 Resumen Al desordenar y, a continuación, reordenar aleatoriamente un conjunto finito es posible que algunos de sus elementos
Más detallesEspacios Vectoriales. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21
Espacios Vectoriales AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21 Objetivos Al finalizar este tema tendrás que: Saber si unos vectores son independientes.
Más detallesLA ECUACIÓN CUADRÁTICA
INSTITUCION EDUCATIVA LA PRESENTACION NOMBRE ALUMNA: AREA : MATEMÁTICAS ASIGNATURA: MATEMÁTICAS DOCENTE: EDISON MEJIA MONSALVE TIPO DE GUIA: CONCEPTUAL - EJERCITACION PERIODO GRADO N 0 FECHA DURACION 3
Más detallesCONTRASTE SOBRE UN COEFICIENTE DE LA REGRESIÓN
Modelo: Y =! 1 +! 2 X + u Hipótesis nula: Hipótesis alternativa H 1 :!!! 2 2 Ejemplo de modelo: p =! 1 +! 2 w + u Hipótesis nula: Hipótesis alternativa: H :!! 1 2 1. Como ilustración, consideremos un modelo
Más detallesSESIÓN 8 MAXIMOS Y MÍNIMOS DE UNA FUNCION, APLICACIONES DE LOS MAXIMOS Y MINIMOS
SESIÓN 8 MAXIMOS Y MÍNIMOS DE UNA FUNCION, APLICACIONES DE LOS MAXIMOS Y MINIMOS I. CONTENIDOS: 1. Máximos y mínimos de una función (definiciones) 2. Máximos y mínimos (metodología de cálculo) 3. Ejercicios
Más detallesPROBLEMAS TEMA 3: ANÁLISIS DE COMPONENTES PRINCIPALES. LICENCIADO EN ECONOMÍA
1 PROBLEMAS TEMA 3: ANÁLISIS DE COMPONENTES PRINCIPALES. LICENCIADO EN ECONOMÍA Problema 1 Calcular para la matriz de covarianzas ( ) 5 2 S Y =, 2 2 (a) Las componentes principales Z 1 y Z 2. (b) La proporción
Más detallesMODELO ECONOMÉTRICO. José María Cara Carmona. Adrián López Ibáñez. Explicación del desempleo
José María Cara Carmona Adrián López Ibáñez MODELO ECONOMÉTRICO Explicación del desempleo Desarrollaremos un modelo econométrico para intentar predecir el desempleo. Trataremos los diversos problemas que
Más detallesDescomposición en forma canónica de Jordan (Segunda versión)
Descomposición en forma canónica de Jordan (Segunda versión) Francisco J. Bravo S. 1 de septiembre de 211 En esta guía se presentan los resultados necesarios para poder construir la forma de Jordan sin
Más detallesCómo se hace la Prueba t a mano?
Cómo se hace la Prueba t a mano? Sujeto Grupo Grupo Grupo Grupo 33 089 74 5476 84 7056 75 565 3 94 8836 75 565 4 5 704 76 5776 5 4 6 76 5776 6 9 8 76 5776 7 4 78 6084 8 65 45 79 64 9 86 7396 80 6400 0
Más detallesTema 2. Regresión Lineal
Tema 2. Regresión Lineal 3.2.1. Definición Mientras que en el apartado anterior se desarrolló una forma de medir la relación existente entre dos variables; en éste, se trata de esta técnica que permite
Más detallesMATEMÁTICAS APLICADAS A LAS C.C. SOCIALES
MATEMÁTICAS APLICADAS A LAS CC SOCIALES CAPÍTULO 2 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad
Más detallesGrado en NHyD 23 de junio de 2014
Estadística Aplicada Examen extraordinario Grado en HyD 23 de junio de 214 OTA: Explica y desarrolla tus respuestas usando las salidas de los anexos. En las preguntas de verdadero y falso indica qué gráficos
Más detallesBioestadística. Tema 3: Estadística descriptiva bivariante y regresión lineal. Relaciones entre variables y regresión
Bioestadística Tema 3: Estadística descriptiva bivariante y regresión lineal. Tema 3: Estadística bivariante 1 Relaciones entre variables y regresión El término regresión fue introducido por Galton en
Más detalles