Grado en Finanzas y Contabilidad
|
|
- Manuela Olivares Vera
- hace 6 años
- Vistas:
Transcripción
1 Econometría Grado en Finanzas y Contabilidad Apuntes de clase basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge
2 2.5 Variable dependiente binaria: El modelo lineal de probabilidad
3 A menudo la información cualitativa se presenta en forma de variables binarias: una persona es o mujer o varón; una persona o tiene o no ordenador personal; una empresa o ofrece un tipo de plan de pensiones a sus empleados o no lo ofrece; un país o admite la condena a cadena perpetua o no lo hace. En todos estos ejemplos, la información importante se puede almacenar en una variable binaria (o ficticia) o variable cero-uno.
4 Al definir una variable ficticia, debemos decidir a cual suceso le asignamos el valor uno y a cual le asignamos el valor cero. Por ejemplo, en un estudio sobre los salarios de los individuos, podríamos definir mujer como una variable binaria que tomara el valor uno para las mujeres y cero para los varones. O al contrario, también podríamos definir varon como una variable binaria que tomara el valor uno para los varones y el valor cero para las mujeres. La ventaja de almacenar la información cualitativa en variables cero-uno es que nos lleva a modelos de regresión en los cuales los parámetros tienen interpretaciones muy naturales.
5 Por ejemplo, podríamos tener: Figure :
6 Como incluimos la información binaria en los modelos de regresión? En el caso más sencillo de que solo haya una variable ficticia explicativa, simplemente la añadimos a las demás variables independientes de la ecuación. Sea el siguiente modelo en que se intenta explicar el salario por hora: wage i = β 0 +δ 0 female i +β 1 educ i +u i, δ 0 se utiliza como parámetro para female, la variable ficticia. En el modelo, female i = 1 cuando la persona es una mujer, y female = 0 cuando la persona es un varón, el parámetro δ 0 tiene la siguiente interpretación:
7 δ 0 es la diferencia de salario por hora entre mujeres y varones, suponiendo que el nivel de educación es el mismo. El coeficiente δ 0 nos dice si hay discriminación en contra de las mujeres: si δ 0 < 0, entonces, a igual nivel en los demás factores, las mujeres ganan menos que los varones en promedio. Si suponemos que la media condicional es cero, es decir, que E(u i female i,educ i ) = 0, entonces δ 0 = E(wage i female i = 1,educ i ) E(wage i female i = 0,educ i ). Como female i = 1 corresponde a las mujeres y female i = 0 a los varones, podemos escribir la ecuación anterior: δ 0 = E(wage i female i,educ i ) E(wage i male i,educ i ).
8 Figure :
9 Los varones son el grupo base o grupo de referencia, es decir, el grupo con el que se hacen las comparaciones; β 0 es la constante para varones; δ 0 es la diferencia de constantes entre mujeres y varones. Si mujeres fuera el grupo base, entonces el modelo sería: wage i = α 0 +γ 0 male i +β 1 educ i +u i, donde la constante para mujeres es α 0 y la constante para varones es α 0 +γ 0. Esto implica que α 0 = β 0 +δ 0 y β 0 = α 0 +γ 0. En la práctica, no importa cual sea el grupo que tomemos como base, pero sí es importante que recordemos cual es el que hemos escogido como base.
10 Cuando hay mas variables explicativas: wage i = β 0 +δ 0 female i +β 1 educ i +β 2 exper i +β 3 tenure i +u i. Si educ, exper y tenure son todas variables importantes en la productividad, la hipótesis nula de que no hay diferencia entre varones y mujeres es H 0 : δ 0 = 0. La alternativa de que hay discriminación en contra de las mujeres es H a : δ < 0. Ejemplo La estimación del modelo anterior es: wage ˆ i = female i educ i exper i tenure i n = 526 R 2 = 0.364
11 La constante negativa (la constante para varones), en este caso no tiene mucho sentido, porque nadie tiene en la muestra valores próximos a cero en años de educ, exper, y tenure. El coeficiente de female mide la diferencia esperada en salario por hora entre una mujer y un varón, para los mismos niveles de educ, exper, y tenure. Es informativo el comparar el coeficiende de female en la ecuación anterior con la estimación cuando se quitan las demás variables de la ecuación:
12 wage ˆ i = female i n = 526 R 2 = La constante es el salario medio para varones en la muestra (con female = 0), por tanto, los varones ganan $7.10 por hora en media; El coeficiente de female es la diferencia de salario medio por hora entre varones y mujeres. Por tanto, el salario medio de las mujeres de la muestra es de $4.59 por hora; Podemos hacer un contraste de comparación de las medias entre los dos grupos. La diferencia estimada, 2.51, tiene un estadístico t de 8.37, el cual es estadísticamente muy significativo;
13 Para que el contraste de la t sea válido, debemos suponer que la hipótesis de homoscedasticidad se cumple, lo cual implica que la varianza poblacional de wages es la misma para varones que para mujeres. El ejemplo anterior podría tener importancia en planificación de la poĺıtica de igualdad. Otros ejemplos podrían ser la evaluación de medidas, donde mediríamos el efecto de las medidas económicas o sociales sobre los individuos, empresas, barrios, ciudades, etc.
14 En el caso mas sencillo hay dos grupos de individuos. El grupo de control no participa en el experimento; El grupo experimental o grupo de tratamiento sí participa. Con pocas excepciones, la elección de los grupos de control y de tratamiento no es aleatoria. Ejemplo Utilizando los datos JTRAIN.RAW de las empresas manufactureras de Michigan en 1988, se obtuvo la siguiente ecuación estimada: hrsemp ˆ i = grant i 0.98 lnsales i lnemploy i, 3.88 n = 105 R 2 = 0.237
15 La variable dependiente son las horas de formación por empleado en cada empresa. La variable grant es una variable ficticia que vale uno si la empresa recibió una subvención para formación laboral en 1988 y 0 en otro caso. Las variables sales y employ son las ventas anuales y el número de empleados respectivamente. La variable grant es estadísticamente muy significativa, con tgrant = Controlando las ventas y el empleo, las empresas que recibieron una subvención formaron a cada trabajador, en media, horas más; Puesto que el número medio de horas de formación por trabajador en la muestra es, aproximadamente, 17, con un máximo de 164, grant tiene un efecto grande sobre la formación, como cabría esperar. El coeficiente de lnsales es pequeño y no significativo.
16 El coeficiente de lnemploy se interpreta como que, si una empresa es un 10% mayor, forma a sus trabajadores unas.61 horas menos. Su estadístico t es 1.56, que está cerca del ĺımite de ser estadísticamente significativo. Interpretación de los Coeficientes de las Variables Ficticias Explicativas Cuando la Variable Dependiente es ln(y) En la práctica, a menudo, la variable dependiente aparece en forma de logaritmo, con una o mas variables ficticias como variables independientes. Como interpretamos los coeficientes de las variables ficticias en este caso?
17 lnprice ˆ i = lnlotsize i lnsqrft i bdrms i colonial i, n = 88 R 2 = donde colonial, que es una variable binaria, vale 1 si la casa es de estilo colonial. Fijados los valores de lotsize, sqrft, y bdrms, la diferencia en lnprice ˆ entre una casa de estilo colonial y otra de otro estilo es de.054. Es decir, una casa de estilo colonial se espera que se venda aproximadamente por un 5.4% más, si los demás factores son iguales.
18 Podemos usar varias variables ficticias independientes en la misma ecuación. Veamos el siguiente ejemplo: lnwage ˆ i = marrmale i marrfem i singfem i educ i exper i exper2 i tenure i n = 526 R 2 = tenure2 i El modelo estimado permite diferencias en salario entre cuatro grupos, hombres casados, mujeres casadas, hombres solteros y mujeres solteras. El grupo base es hombres solteros; Las variables ficticias son: marrmale, marrfem y singfem; No ponemos female, porque ahora es redundante.
19 Todas las variables, excepto singfem, son estadísticamente significativas. Las estimaciones entre las tres variables ficticias miden la diferencia en proporción en salario en relación a los hombres solteros. Por ejemplo, se estima que los hombres casados ganan un 21.3% mas que los solteros, a iguales niveles de educación, experiencia y antigüedad. Aunque los hombres solteros son el grupo base, podemos usar las estimaciones para calcular la diferencia estimada entre dos grupos cualesquiera. Por ejemplo, la diferencia en proporción entre mujeres solteras y casadas es.110 (.198) =.088, es decir, las mujeres solteras ganan aproximadamente un 8.8% mas que las mujeres casadas.
20 Sin embargo, no podemos usar las estimaciones anteriores para contrastar si la diferencia estimada entre mujeres solteras y casadas es estadísticamente significativa. Las desviaciones típicas de marrfem y singfem no bastan para hacer ese contraste. Lo mas sencillo es escoger uno de esos grupos como base y reestimar la ecuación: lnwage i = β 0 +δ 0 marrmale i +δ 3 singmale i +δ 2 singfem i +β 1 educ i +β 2 exper i +β 3 experi 2 +β 4 tenure i +β 5 tenurei 2 +u i ahora la hipótesis nula es, simplemente, H 0 : δ 2 = 0
21 La regla general para incluir variables ficticias que nos definan los distintos grupos es: si necesitamos en el modelo de regresión constantes para g grupos o categorías, debemos incluir g 1 variables ficticias en el modelo, además de la constante. Utilización de las Variables Ficticias para Información Ordinal Supongamos que queremos estimar el efecto de las calificaciones de solvencia de las distintas ciudades sobre el tipo de interés de la deuda municipal (MBR). Las agencias financieras, como Moody s y Standard and Poor s, califican la calidad de la deuda de los gobiernos municipales de tal forma que las calificaciones dependen de factores tales como la probabiilidad de impago. Por ejemplo, las calificaciones podrían varíar desde cero hasta cuatro, donde cero fuera la peor calificación y cuatro la mejor. Este es un ejemplo de una variable ordinal (CR).
22 Como incluimos la variable CR en un modelo para explicar MBR? Una manera es: MBR i = β 0 +β 1 CR i +otros factores, Entonces β 1 es el cambio en MBR cuando CR se incrementa en una unidad, dejando fijos los demás factores. Por desgracia, no es tan sencillo interpretar un incremento de una unidad en CR. Sabemos que un CR de cuatro es mejor que un CR de tres, pero es la diferencia entre cuatro y tres la misma que la diferencia entre uno y cero?
23 Un enfoque mejor es definir variables ficticias para cada valor de CR, por ejemplo: CR 1 = 1 si CR = 1 y CR 1 = 0 en otro caso; CR 2 = 1 si CR = 2 y CR 2 = 0 en otro caso. etc. De esta forma transformamos las calificaciones en cinco categorias. Entonces, podemos estimar el modelo MBR i = β 0 +δ 1 CR 1i +δ 2 CR 2i +δ 3 CR 3i +δ 4 CR 4i +otros factores. Incluimos cuatro variables ficticias porque tenemos cinco categorías.
24 La categoría que hemos omitido es la calificación crediticia de cero, por tanto, este es el grupo base. Interpretación de los coeficientes: δ 1 es la diferencia en MBR (fijos los otros factores) entre un municipio con calificación de 1 y otro con calificación de cero; δ 2 es la diferencia en MBR entre un municipio con calificación de 2 y otro con calificación de cero; etc.
25 En el ejemplo del salario, podemos añadir un término de interacción entre female y married al modelo en que female y married aparecían por separado: lnwage ˆ i = female i married i female i married i +..., Estas estimaciones nos dicen que hay una interacción estadísticamente significativa entre sexo y estado civil. Este modelo también nos permite obtener la diferencia estimada en salario entre los cuatro grupos, pero debemos tener cuidado de asignar correctamente la combinación de ceros y unos.
26 Los valores female = 0 y married = 0 corresponden al grupo de hombres solteros, que es el grupo base, porque así se eliminan female, married, y female married. Podemos calcular la constante para hombres casados poniendo female = 0 y married = 1, lo cual nos da una constante de =.534.
27 Pendientes distintas Podemos introducir interacciones entre las variables ficticias y otras variables explicativas para que haya diferencias en las pendientes. En el ejemplo: lnwage i = (β 0 +δ 0 female i )+(β 1 +δ 1 female i )educ i +u i Si hacemos female = 0, entonces la constante para los varones es β 0, y la pendiente de educación para varones es β 1. Para las mujeres, ponemos female = 1; por tanto, la constante para las mujeres es β 0 +δ 0, y la pendiente es β 1 +δ 1. δ 0 mide la diferencia en constantes entre mujeres y varones, y δ 1 mide la diferencia en la pendiente de education entre mujeres y varones.
28 Figure :
29 Como estimamos este modelo? Para poder aplicar OLS, tenemos que meter en el modelo una interacción entre female y educ: lnwage i = β 0 +δ 0 female i +β 1 educ i +δ 1 female i educ i +u i Una hipótesis de interés es que la pendiente de educación es la misma para mujeres y varones. Por tanto, la hipótesis a contrastar es: H 0 : δ 1 = 0, lo cual significa que la pendiente de lnwage con respecto a educ es la misma para varones y mujeres. Esta hipótesis no restringe la diferencia de constantes, δ 0. Esta hipótesis nula permite que haya una diferencia en salario entre varones y mujeres, pero debe ser la misma para todos los niveles de educación.
30 También nos interesa la hipótesis de que los salarios medios son idénticos para varones y mujeres con un mismo nivel de educación. Bajo esta hipótesis ambos δ 0 y δ 1 deben ser nulos. Para contrastar H 0 : δ 0 = 0,δ 1 = 0 se usa un test de la F. En el modelo en que hay solo una diferencia de constantes esta hipótesis se rechaza, es decir, H 0 : δ 0 = 0 se rechaza frente a H 1 : δ 0 < 0.
31 Contraste de la igualdad de regresiones para distintos grupos Queremos ahora contrastar la hipótesis de que dos grupos tienen la misma función de regresión, frente a la alternativa de que al menos un parámetro es distinto en los dos grupos. Veamos el siguiente ejemplo:queremos contrastar que el modelo de regresión que explica la nota media en la universidad es la misma para deportistas universitarios varones y mujeres. La ecuación es: cumgpa i = β 0 +β 1 sat i +β 2 hsperc i +β 3 tothrs i +u i i = 1,...,n, donde sat es la puntuación en un examen de ingreso, hsperc es el ranking en la nota del instituto y tothrs es el número total de horas de enseñanaza en la universidad. Si queremos que cualquiera de las pendientes dependa de sexo, simplemente incluimos las interacciones entre la variable (por ejemplo) female y las otras variables de la ecuación.
32 Si queremos contrastar que hay alguna diferencia entre varones y mujeres, entonces debemos especificar un modelo en el cual la constante y todas las pendientes sean distintas en uno y otro grupo: cumgpa i = β 0 +δ 0 female i +β 1 sat i +δ 1 female i sat i +β 2 hsperc i +δ 2 female i hsperc i +β 3 tothrs i +δ 3 female i tothrs i +u i
33 El parámetro δ 0 mide la diferencia entre las constantes de varones y mujeres, δ 1 mide la diferencia de pendientes con respecto a sat entre varones y mujeres, etc. La hipótesis nula de que cumgpa sigue el mismo modelo para varones y mujeres se expresa así: H 0 : δ 0 = 0,δ 1 = 0,δ 2 = 0,δ 3 = 0 Si una de las δ j es no nula, entonces el modelo es distinto para varones y mujeres. Podemos contrastar esta hipótesis nula con el test de la F basado en los modelos restringido y no restringido.
34 En todos los modelos que hemos visto hasta ahora, la variable dependiente y era cuantitativa (por ejemplo, y se media en Euros, o era una puntuación de un examen, o un porcentaje, o los logaritmos de ellas). Que sucede si queremos utilizar regresión múltiple para explicar un hecho cualitativo? Por ejemplo, y puede indicarnos si una persona tiene bachillerato o no, o puede decirnos si un estudiante ha tomado drogas durante un curso académico, o si una empresa pasó a ser controlada por otra durante un año. En todos estos ejemplos, podemos hacer que y = 1 denote una de las situaciones y y = 0 la otra.
35 Que sentido tiene un modelo de regresión múltiple si y es binaria? y i = β 0 +β 1 x 1i +...+β k x ki +u i i = 1,...,n. Como y solo puede tomar dos valores, β j no se puede interpretar como el cambio en y dado un incremento unitario en x j, ceteris paribus, puesto que y solo puede cambiar de uno a cero o de cero a uno. Si suponemos que E(u i x 1i,x 2i,...,x ki ) = 0, tenemos donde x i = x 1i,x 2i,...,x ki. E(y i x i ) = β 0 +β 1 x 1i +...+β k x ki,
36 La clave está en que cuando y es una variable binaria que toma los valores cero y uno, siempre se cumple que P(y = 1 x) = E(y x): la probabilidad de éxito, (o sea, la probabilidad de que y = 1), coincide con el valor esperado de y: P(y = 1 x) = β 0 +β 1 x β k x k. El modelo de regresión múltiple con variable dependiente binaria se llama modelo de probabilidad lineal (LPM) porque la probabilidad de la respuesta es lineal en los parámetros β j.
37 En el LPM, β j mide el cambio en la probabilidad de éxito si x j cambia y los demás factores se mantienen fijos: P(y = 1 x) = β j x j. Si escribimos el modelo estimado como: ŷ i = ˆβ 0 + ˆβ 1 x 1i ˆβ k x ki ŷ i es la probabilidad predicha de éxito para el individuo i; ˆβ0 es la probabilidad predicha de éxito si todos los x j valen cero, esta cantidad puede o no ser de interés; La pendiente ˆβ 1 mide el cambio predicho de probabilidad de éxito si x 1 se incrementa en una unidad.
38 Inconvenientes del LPM Para ciertas combinaciones de los parámetros podemos obtener probabilidades negativas o mayores que uno; El LPM suele funcionar bien para valores de las variables independientes que estén cerca de los valores muestrales medios; Debido a que y es binaria, el LPM incumple una de las hipótesis de Gauss-Markov. Si y es binaria, su varianza condicional en x, es Var(y x) = p(x)(1 p(x)), donde p(x) = β 0 +β 1 x β k x k. Esto implica, excepto en el caso de que esta probabilidad no dependa de ninguna variable independiente, que debe haber heteroscedasticidad en el LPM.
39 Ejemplo Sea arr86 una variable binaria que vale 1 si un hombre fue detenido durante 1986 y cero en otro caso. La población son un grupo de jóvenes de California nacidos en 1960 o 1961 que ya habían sido detenidos antes de Un modelo lineal de probabilidad para explicar arr86 es: arr86 = β 0 +β 1 pcnv+β 2 avgsen+β 3 tottime+β 4 ptime86+β 5 qemp86+u, donde pcnv es la proporción de detenciones anteriores que llevaron a una condena, avgsen es la condena media cumplida anteriormente (en mesess), tottime son los meses que ha pasado en la cárcel desde que tenía 18 años y antes de 1986, ptime86 son los meses que pasó en la cárcel en 1986, y qemp86 es el número de trimestres (de 0 a 4) en que el hombre tuvo un empleo legal en 1986.
ECONOMETRÍA I. Tema 5: Análisis de regresión múltiple con información cualitativa
ECONOMETRÍA I Tema 5: Análisis de regresión múltiple con información cualitativa Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA
Más detallesAnálisis de Regresión Múltiple con Información Cualitativa: Variables Binarias o Ficticias
Análisis de Regresión Múltiple con Información Cualitativa: Variables Binarias o Ficticias Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía
Más detallesENUNCIADOS DE PROBLEMAS
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I 22 de Septiembre de 2007 ENUNCIADOS DE PROBLEMAS Muy importante: Tenga en cuenta que algunos resultados de las tablas han podido ser omitidos. PROBLEMA 1:
Más 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 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 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 detallesHoja de Ejercicios 4 Análisis de regresión con información cualitativa
Hoja de Ejercicios 4 Análisis de regresión con información cualitativa Nota: En aquellos ejercicios en los que se incluyen estimaciones y referencia al archivo de datos utilizado, el estudiante debería
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 detallesEstadística 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 detallesINFERENCIA ESTADÍSTICA. Metodología de Investigación. Tesifón Parrón
Metodología de Investigación Tesifón Parrón Contraste de hipótesis Inferencia Estadística Medidas de asociación Error de Tipo I y Error de Tipo II α β CONTRASTE DE HIPÓTESIS Tipos de Test Chi Cuadrado
Más detallesEjercicio 1(10 puntos)
ESTADISTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES. Segundo Parcial Montevideo, 4 de julio de 2015. Nombre: Horario del grupo: C.I.: Profesor: Ejercicio 1(10 puntos) La tasa de desperdicio en una empresa
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 detallesUniversidad Carlos III de Madrid Econometría Funciones de regresión no lineales Hoja de Ejercicios 8
Universidad Carlos III de Madrid Econometría Funciones de regresión no lineales Hoja de Ejercicios 8 1. Las ventas de una empresa son de 196 millones de dólares en 2009 y aumentaron hasta los 198 millones
Más detallesAnálisis de Regresión Múltiple: Estimación
Análisis de Regresión Múltiple: Estimación Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía Industrial Universidad Carlos III de Madrid Curso
Más detallesCONTRASTES 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 detallesT4. Modelos con variables cualitativas
T4. Modelos con variables cualitativas Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Ana J. López y Rigoberto Pérez (Dpto EconomíaT4. Aplicada. Modelos Universidad
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 detallesFunciones de Regresión No Lineales (SW Cap. 6)
Funciones de Regresión No Lineales (SW Cap. 6) Todo anteriormente ha sido lineal en las X s La aproximación de que la función de regresión es lineal puede ser satisfactoria para algunas variables pero
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 detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detallesEconomía Aplicada. ¾Es importante el tamaño de la clase? Un experimento controlado
Economía Aplicada ¾Es importante el tamaño de la clase? Un experimento controlado Basado en (1999), Experimental Estimates of Education Production Functions, QJE Outline 1 La Idea 2 Proyecto STAR Detalles
Más detallesContraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste
1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y
Más detallesEstadística e Introducción a la Econometría Curso Ejercicios del Tema 9. Soluciones
1 Estadística e Introducción a la Econometría Curso 2012-13 Ejercicios del Tema 9 Soluciones 1.- Considere el siguiente modelo para el peso de un bebé al nacer log(bwght) = 0 + 1 cigs + 2 log(faminc) +
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 detallesDISTRIBUCIÓN N BINOMIAL
DISTRIBUCIÓN N BINOMIAL COMBINACIONES En muchos problemas de probabilidad es necesario conocer el número de maneras en que r objetos pueden seleccionarse de un conjunto de n objetos. A esto se le denomina
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 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 detallesTema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 5.2 Estimadores de Variables Instrumentales La endogeneidad aparece
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 detallesTema 1: Introducción
Estadística Universidad de Salamanca Curso 2010/2011 Outline 1 Estadística 2 Outline 1 Estadística 2 La estadística es una ciencia que comprende la recopilación, tabulación, análisis e interpretación de
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 detallesSistemas de ecuaciones lineales dependientes de un parámetro
Vamos a hacer uso del Teorema de Rouché-Frobenius para resolver sistemas de ecuaciones lineales de primer grado. En particular, dedicaremos este artículo a resolver sistemas de ecuaciones lineales que
Más detallesRegresión 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 detallesEconometría 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 detallesExamen de Grado Sección de Econometría Agosto y se obtienen los siguientes resultados. Observe que parte de la información ha sido omitida.
Examen de Grado Sección de Econometría Agosto 2015 Pregunta 1. (40 puntos). Suponga que estamos interesados en determinar cuáles características del colegio y/o del hogar determinan el resultado de una
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
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. 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 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 detallesProblemas Prueba de significación de la hipótesis nula Vicente Manzano-Arrondo, 2013
Problemas Prueba de significación de la hipótesis nula Vicente Manzano-Arrondo, 2013 Ejercicios resueltos En los dos casos que siguen resuelven cada decisión estadística mediante tres procedimientos: intervalo
Más detallesEl 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 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 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 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 y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
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 detallesTEMA 4: Variables binarias
TEMA 4: Variables binarias Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 4: Variables binarias Curso 2011-12 1 / 51 Variables
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 detallesFacultad de Ciencias Sociales - Universidad de la República
Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura
Más 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 detallesRESUMEN 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 detallesEJERCICIOS. Curso: Estadística. Profesores: Mauro Gutierrez Martinez Christiam Miguel Gonzales Chávez. Cecilia Milagros Rosas Meneses
EJERCICIOS Curso: Estadística Profesores: Mauro Gutierrez Martinez Christiam Miguel Gonzales Chávez. Cecilia Milagros Rosas Meneses 1. Un fabricante de detergente sostiene que los contenidos de las cajas
Más detallesTEMA 5 Variables ficticias
TEMA 5 Variables ficticias Cómo describir información cualitativa Muchas veces en el modelo de regresión aparecen factores cualitativos (sexo, raza, estado civil,.). En estos casos la información relevante
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO 00-.003 - CONVOCATORIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumno debe elegir sólo una de las pruebas (A o B) y, dentro de ella, sólo
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 detallesRepaso de estadística básica. Juan D. Barón Santiago de Chile, 8 de abril de 2013
Repaso de estadística básica Juan D. Barón Santiago de Chile, 8 de abril de 2013 1 I. CONCEPTOS ESTADÍSTICOS BÁSICOS 2 Las decisiones se toman bajo incertidumbre Las decisiones se basan en información
Más detallesPodemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad para
VII. Pruebas de Hipótesis VII. Concepto de contraste de hipótesis Podemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad
Más detallesEJERCICIOS DE SELECTIVIDAD
EJERCICIOS DE SELECTIVIDAD INFERENCIA 1998 JUNIO OPCIÓN A Un fabricante de electrodomésticos sabe que la vida media de éstos sigue una distribución normal con media μ = 100 meses y desviación típica σ
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 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 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 detallesCurso de Estadística Aplicada a las Ciencias Sociales. Tema 12. Contraste de hipótesis. Introducción. Introducción
Curso de Estadística Aplicada a las Ciencias Sociales Tema 12. Contraste de (Cap. 22 del libro) Tema 12. Contraste de 1. Tipos de 2. La nula y la Ejercicios Tema 12, Contraste de 2 En muchas investigaciones
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 detallesIntroducción a la regresión ordinal
Introducción a la regresión ordinal Jose Barrera jbarrera@mat.uab.cat 20 de mayo 2009 Jose Barrera (UAB) Introducción a la regresión ordinal 20 de mayo 2009 1 / 11 Introducción a la regresión ordinal 1
Más detallesContrastes de Hipótesis paramétricos y no-paramétricos.
Capítulo 1 Contrastes de Hiptesis paramétricos y no-paramétricos. Estadística Inductiva o Inferencia Estadística: Conjunto de métodos que se fundamentan en la Teoría de la Probabilidad y que tienen por
Más detallesLa desviación típica y otras medidas de dispersión
La desviación típica y otras medidas de dispersión DISPERSIÓN O VARIACIÓN La dispersión o variación de los datos intenta dar una idea de cuan esparcidos se encuentran éstos. Hay varias medidas de tal dispersión,
Más detallesPregunta 1. Pregunta 2. Pregunta 3. Pregunta 4. Pregunta 5. Pregunta 6. Pregunta 7. Comenzado el lunes, 25 de marzo de 2013, 17:24
Comenzado el lunes, 25 de marzo de 2013, 17:24 Estado Finalizado Finalizado en sábado, 30 de marzo de 2013, 17:10 Tiempo empleado 4 días 23 horas Puntos 50,00/50,00 Calificación 10,00 de un máximo de 10,00
Más detallesTema 3: El modelo de regresión lineal múltiple
Econometría 1 curso 2009-2010 Tema 3: El modelo de regresión lineal múltiple Genaro Sucarrat (Departamento de Economía, UC3M) http://www.eco.uc3m.es/sucarrat/ Recordamos: El modelo de regresión lineal
Más detallesContrastes de hipótesis estadísticas. Contrastes paramétricos
Índice 7 Contrastes de hipótesis estadísticas. Contrastes paramétricos 7.1 7.1 Introducción.......................................... 7.1 7.2 Conceptos básicos...................................... 7.2
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 detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
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 detallesPrueba Integral Lapso /6
Prueba Integral Lapso 2 009-2 76 - /6 Universidad Nacional Abierta Probabilidad y Estadística I (76) Vicerrectorado Académico Cód. Carrera: 06-20 - 508 Fecha: 2-2 - 2 009 MODELO DE RESPUESTAS Objetivos,
Más detallesEJERCICIOS RESUELTOS TEMA 1.
EJERCICIOS RESUELTOS TEMA 1. 1.1. El proceso por el cual se asignan números a objetos o características según determinadas reglas se denomina: A) muestreo; B) estadística; C) medición. 1.2. Mediante la
Más detallesPRINCIPIOS DE ECONOMETRÍA
PRINCIPIOS DE ECONOMETRÍA 2009-2010 I. IDENTIFICACIÓN Asignatura: Duración: Titulación: Ciclo: Departamento: Profesor: Principios de Econometría Semestral (Primer semestre) Licenciatura en Economía Primer
Más detallesDefinición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
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 4: Cuestiones importantes en el Modelo Lineal General (MLG) Universidad Complutense de Madrid 2013
Tema 4: Cuestiones importantes en el Modelo Lineal General (MLG) Universidad Complutense de Madrid 2013 1 Colinealidad (I) La multicolinealidad es un problema que surge cuando las variables explicativas
Más detallesGUIÓN TEMA 4. VARIABLES BINARIAS 4.1. Variables binarias
ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 2011/12 GUIÓN TEMA 4. VARIABLES BINARIAS 4.1. Variables binarias Bibliografía apartados : Greene, 8.2 A.F.Gallastegui:
Más detallesObjetivos. Epígrafes 3-1. Francisco José García Álvarez
Objetivos Entender el concepto de variabilidad natural de un procesos Comprender la necesidad de los gráficos de control Aprender a diferenciar los tipos de gráficos de control y conocer sus limitaciones.
Más detallesTAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN
TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN En este artículo, se trata de explicar una metodología estadística sencilla y sobre todo práctica, para la estimación del tamaño de muestra
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 detallesPOBLACIÓN Y MUESTRAS EN LA INVESTIGACIÓN
POBLACIÓN Y MUESTRAS EN LA INVESTIGACIÓN Adela del Carpio Rivera Doctor en Medicina UNIVERSO Conjunto de individuos u objetos de los que se desea conocer algo en una investigación Población o universo
Más detallesObjetivos del tema. Qué es una hipótesis? Test de Hipótesis Introducción a la Probabilidad y Estadística. Contrastando una hipótesis
Objetivos del tema Conocer el proceso para contrastar hipótesis y su relación con el método científico. Diferenciar entre hipótesis nula y alternativa Nivel de significación Test de Hipótesis Introducción
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 detallesAnálisis de datos cualitativos
Capítulo Análisis de datos cualitativos DEFINICIÓN DE VARIABLES CUALITATIVAS Son aquellas variables cuyos valores son un conjunto de cualidades no numéricas a las que se llama categorías o modalidades.
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 detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesEjemplo: Los miembros del Colegio de Ingenieros del Estado Cojedes.
Qué es la Estadística? En el lenguaje común, la palabra se emplea para denotar un conjunto de calificaciones o de números, por ejemplo: una persona puede preguntar has visto las últimas estadísticas acerca
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO. Facultad de Medicina Veterinaria y Zootecnia. Licenciatura en Medicina Veterinaria y Zootecnia
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Medicina Veterinaria y Zootecnia Licenciatura en Medicina Veterinaria y Zootecnia Clave 1212 Modalidad del curso: Carácter Métodos estadísticos en medicina
Más detallesTema 13 : Intervalos de probabilidad y confianza. Hipótesis y decisiones estadísticas.
Tema 13 : Intervalos de probabilidad y confianza. Hipótesis y decisiones estadísticas. ---Intervalo de probabilidad (IP) Permite predecir el comportamiento de las muestras. Si de una población se sacan
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesValidación de los métodos microbiológicos HERRAMIENTAS ESTADISTICAS. Bqca. QM Alicia I. Cuesta, Consultora Internacional de la FAO
Validación de los métodos microbiológicos HERRAMIENTAS ESTADISTICAS Bqca. QM Alicia I. Cuesta, Consultora Internacional de la FAO Objetivos de la clase Objetivos de la estadística. Concepto y parámetros
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
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 detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 13 Inferencia en una población Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Explicar el procedimiento de pruebas en la inferencia estadística. Aplicar
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más detalles