Econometria I. Tema 4: Modelo de regresión múltiple: inferencia. Guía de respuestas para algunos ejercicios (0,085) bajo H 0.
|
|
- José Ignacio Ríos Gutiérrez
- hace 6 años
- Vistas:
Transcripción
1 Econometria I Tema 4: Modelo de regresión múltiple: inferencia Guía de respuestas para algunos ejercicios 1. a. Output de gretl Recta ajustada: employment i 0, 545 (0,274) + 0, 489gdp i R 2 0, 59 (0,085) b. H 0 : β 1 0 vs. H 1 : β 1 0. Estadístico de contraste: t β 1 ee( β 1 ) t(25 2) bajo H 0 Valor crítico de la distribución t(23) con un nivel 2,5% (tablas): t 2,5% (23) 2, 069. Cálculo del valor t: Dado que: valor t β 1 ee( β 1 ) 0, 489 0, 085 5, 754 > 2, 069 5, 754 rechazamos la hipótesis nula y sacamos la conclusión de que el regresor gdp es estadísticamente significativo al 5%. 1
2 c. La región crítica asociada a un nivel de significación del 1% es menor que la asociada a un nivel de significación del 5%. Así, no es posible afirmar con certeza si el valor t caerá dentro o fuera de esta región. No podemos decir si gdp será estadísticamente significativo o no con un nivel 1%. Por otro lado, la región crítica asociada a un nivel de significación del 10% es más grande que la asociada al 5%. Así, si el valor t cae dentro del 5% de región crítica, también caerá en la regió crítica del 10%. Podemos concluir que si gdp es estadísticamente significativo al 5%, también lo será al 10%. Podemos comprobar estas afirmaciones buscando el valor crítico del estadístico t en las tablas para ambos niveles de significación: α 5% t 0,025 (23) 2, 069 α 10% t 0,05 (23) 1, 714 Tal y como esperabamos, el regresor gdp es aún significativo al nivel 10%, dado que 5, 754 > t(23, 0, 05) 1, 714. Para saber si gdp es estadísticamente significativo al nivel 1% hemos de buscar el valor crítico: α 1% t 0,005 (23) 2, 807. El gdp tambiém es estadísticamente significativo al nivel 1%, dado que 5, 754 > 2, 807. d. De las tablas de la distribución t(23) : valor p P rob{ t > 5, 754} 7, 33769e 06 e. El valor p corresponde a la suma de les dos áreas en gris del gráfico: f. Dado que: 7, 33769e 06 < 0, 05 rechazamos la hipótesis nula y sacamos la conclusión de que el regresor gdp es estadísticamente significativo al 5%. 2
3 g. Dado que el valor p asociado al test de significación individual de la constante es 0,0584, sabemos que rechazamos H o : β 1 0 versus H 1 : β 1 0 si α 0, 10, pero no si α 0, 05 o α 0, 01. Así, marcamos la significatividad sólo al 10% con un único. Dado que el valor p asociado al test de significación individual de gdp es 7,33769e- 06, sabemos que rechazaremos H o : β 1 0 versus H 1 : β 1 0 si α 0, 10, α 0, 05 y α 0, 01. Así, marcamos la significatividat al 10%, 5% y 1% con. h. El estadístico que hemos utilizado es: β 1 r ee( β 1 ) t(n K) bajo H 0 Para derivar la distribución de este estadístico necesitamos partir de: β 1 /X N(β 1, σ 2 (X X) 1 22 ). Para que β 1 tenga la distribución indicada, necesitamos que el mecanismo que ha generado los datos satisfaga todos los supuestos clásicos, incluida la normalidad de las perturbaciones. Es decir, necesitamos que: u i /X i.i.n(0, σ 2 ) O, equivalentmente, u/x N(0, σ 2 I n ) 4. a. Modelo restringido: y i β 0R + β 2R x i2 + β 3R x i3 + u ir b. Por imposición, ˆβ2R 0. Aplicando MCO al modelo restringido en el punto anterior (??) de este ejercicio obtenemos: ˆβ 0R, ˆβ2R, i ˆβ3R. 6. Vamos a mostrar que el estadístico F para poner a prueba las q restricciones del modelo de regresión lineal con K + 1 regresores, se puede reescribir de la siguiente forma: F (SRC R SRC)/q SRC/(n (K + 1)) (R 2 R 2 R )/q (1 R 2 )/(n (K + 1)) Recordemos que R 2 1 SRC ST C. Entonces, R 2 R 1 SRC R ST C R, 3
4 donde n ST C ST C R (y i ȳ) 2. A partir de la expresión para R 2 encontramos SRC (1 R 2 )ST C y, de manera i1 equivalente, SRC R (1 RR 2 )ST C. Si reemplazamos SRC y SRC R en la expresión inicial del estadístico F, se obtiene: F (SRC R SRC)/q SRC/(n (K + 1)) (1 R2 R )ST C (1 R2 )ST C)/q (1 R 2 )ST C/(n (K + 1)) ST C((1 R2 R ) (1 R2 ))/q ST C(1 R 2 )/(n (K + 1)) (R 2 R 2 R )/q (1 R 2 )/(n (K + 1)) 7. Supongamos que tenemos el siguiente modelo con K regresores: y i β 0 + β 1 x i β ik x K + u i. Recordemos que el coeficiente de determinación asociado a la estimación se define como: n R 2 1 SRC/ST C where ST C (y i ȳ) 2. Test de significación global: H o : β 1 β 2... β K 0. i1 Partimos de la siguiente expresión del estadístico F : F (SRC R SRC)/q SRC/(n (K + 1)) Para encontrar SRC R hemos de estimar el modelo restringido. En este caso, el modelo restringido habiendo impuesto β 1 β 2... β K 0 es: Restricted Model: y i β 0R + u ir. Fijémonos que este modelo restringido sólo tiene un regresor: la constante. Es decir, la matriz de regresores del modelo restringido esta formada per una columna de 1 s. Así, aplicando M CO en este modelo restringido: 1 1 ˆβ 0R y 1 y n 1 1 y n n y i ȳ i1 Entonces, ŷ i ˆβ 0R ȳ 4
5 û ir y i ŷ i y i ˆβ 0R y i ȳ SRC R n û 2 ir i n (y i ȳ) 2 ST C i Para el test de significación global: F (SRC R SRC)/q SRC/(n (K + 1)) (ST C SRC)/q SRC/((n (K + 1)) ( ST C SRC ST C ) ST C /q SRC /(n (K + 1)) ST C ( ) 1 SRC ST C /q (1 R 2 )/(n (K + 1)) R 2 /q (1 R 2 )/(n (K + 1)) R 2 /(K 1) (1 R 2 )/(n (K + 1)) 8. a. Las unidades de medida para los gastos de A y B son en miles de dólares. Entonces, de acuerdo con el Modelo(1) el efecto marginal de dólares de gastos del candidato A en sus votos esperados viene dado por β 1. Observe que, con que la variable vota se da como un porcentaje, β 1 nos dará el aumento en el porcentaje de votos recibidos por el candidato A cuando el gasto aumente en 1.000$. b. Output de Gretl: 5
6 Recta ajustada: vota i 33, 27+0, 0349 expenda i 0, 0349 expendb i +0, 342 prtystra i R 2 0, 57 (4,42) (0,003) (0,003) (0,088) Los resultados son los esperados: los gastos del candidato A aumentan el porcentaje de votos de este candidato, mientras que los gastos para el candidato B tendrán el efecto contrario. La medida de fuerza prtysrt tiene una relación positiva con el porcentaje de votos, es también como se esperaba, ja que hay una inercia en la sociedad y las preferencias políticas en general no cambian abruptamente. c. Test de significación individual del 5% para expenda: H 0 : β 1 0 vs. H 1 : β 1 0 Calculamos el valor del estadístico t: valor t β 1 ee( β 1 ) 0, , , 63 El valor crítico al nivel 5%: t 0,025 (169) 1, 974. Podemos ver que el valor t cae en la zona crítica debido a que 15, 92 > 1, 974; así rechazamos H 0 y concluimos que expenda es estadísticamente significativo. Test de significación individual al 5% para expendb: H 0 : β 2 0 vs. H 1 : β 2 0 Calculamos el valor del estadístico t: valor t β 2 ee( β 2 ) 0, , , 63 Podemos veure que el valor t cae a la zona crítica. Rechazamos la hipótesis nula y concluimos que expendb es estadísticamente significativo. d. El intervalo de confiança del 95% para β 1 viene dado por: [ β 1 ± t 2,5% (169) ee( β 1 )] [0, 0349 ± 1, 974 0, 003] [0, 0319, 0, 0379] e. Dado que el valor 4 no cae dentro del intervalo de confianza de β 1 al 95%, H 0 sería rechazada al nivel 5%. (Es fácil verificar que este es el caso contrastando H 0 : β 1 4 vs H 1 : β 1 4) f. La hipótesis nula que hemos de contrastar: H 0 : β 1 + β 2 0. Esta hipótesis nos dice que un aumento de 1.000$ del gasto en campaña del partido A y también del partido B deja la votación del candidato A sin cambios. 6
7 g. Haciendo servir Gretl para calcular el valor del estadístico: Podemos ver que: valor F 7, 01403e 008, que es prácticamente zero. Buscando en las tablas el valor crítico al nivel 5%: F 5% (1, 169) 3, 897 Dado que valor F es menor que el valor crítico, no rechazamos la hipótesis nula, sacamos la conclusión de que un aumento del gasto a favor del candidato A en media se contraresta con el gasto a favor del candidato B. h. Ahora nos gustaría reproducir el valor F, asociado a la prueba anterior, usando la estimación del modelo restringido. Es decir, utilizando la seguiente expresión del estadístico F: F (SRC R SRC)/q SRC/(n (K + 1)) Model restringit en aquest cas: vota i β 0R + β 1R (expenda i expendb i ) + β 3R prtystra i + u ir 7
8 Utilizando outputs de los modelos restringido y no restringido: F (20901, , 63)/ , 63/(173 (4 + 1)) V alor f coincide con la que obtuvimos a través de Gretl menú. i. Ara queremos estimar el seguiente modelo: Modelo(2) vota i β 0 +β 1 expenda i +β 2 expendb i +β 3 prtystra i +β 4 (expenda i expendb i )+u i Este modelo dice que el efecto marginal de gastos del candidato A dependerá de los gastos del candidat B. Por tanto, el efecto marginal de 1.000$ adicionales para el candidato A en sus votos esperados será de β 1 + β 4 expendb. j. Estimamos el modelo: Contrastamos la hipótesis de que el efecto marginal de los gastos del candidato A dependerá de los gastos del candidato B. Es decir: H 0 : β 4 0 vs. H 1 : β 4 0. Calculamos el valor del estadístico: valor t β 4 ee( β 4 ) 8 6, 62960e 06 7, 18636e 06 0, 92
9 El valor crítico al nivel de significación del 5%: t 0,025 (169) 1, 974. Podemos ver que el valor absoluto de valor t es menor que el nivel crítico: 0, 92 < 1, 974; así que no podemo rechazar la hipótesis nula H 0 y concluimos que expenda no es independente de expendb. 11. a. Tenemos Q period1 2721, 1 y Q period2 2328, 8. Podemos ver que la media de ventas de materiales de construcción en el período 1 es mayor que en el período 2, pero no podemos necesariamente deducir que esta diferencia ha sido causada por la campaña negativa de la competidora. Podria haber ocurrido una subida de precios del material, por ejemplo, o una caída del volumen de construcción a la zona. b. Esperemos que β 1 sea negativa ya que es una elasticidad precio. Por otro lado, esperamos que β 2 > 0, debido a que esperemos que haya una relación positiva entre las ventas de material de la compañía y el volumen de construcción de la zona. c. Output de estimación del M odelo(1): d. El Modelo(1) no nos permite estudiar los posibles efectos de la campaña debido a que este modelo impone que los tres parámetros, β 0, β 1 y β 2 sean iguales para todos los meses, tanto los de antes como los de después, no dejando por tanto la posibilidad de que la campañaa haya podido afectar negativamente a la estructura de determinación de las ventas. (Piensa que querría decir negativamente en este caso) 9
10 e. Output de estimación del M odelo(2): f. La estimación de la elasticidad de los precios antes de la campaña de desprestigio es ˆβ 1 2, 856 y después de la campaña es ˆβ 1 + ˆβ , 456 3, 312. Así, parece que después de la campaña, el producto de esta empresa se ha vuelto más elástico respecto el precio. La estimación de la elasticidad respecto a C t es ˆβ 2 4, 54 antes y ˆβ 2 + ˆβ 5 4, 54 1, 17 3, 37 después de la campaña de desprestigio. Así, parece que ha disminuido la elasticidad respecto el volumen de construcción. La estimación del parámetro asociado a la constante antes de la campaña era ˆβ 0 8, 59 y ˆβ 0 + ˆβ 3 8, , 13 2, 46 después. g. H 0 : β 3 β 4 β 5 0 vs. H 1 : no H 0. F (SRC R SRC)/q SRC/(n (K + 1)) (39, , 47600)/3 32, 47600/(75 6) 4, 8156 El valor crítico al nivel 1% de significación asociado a F (3, 69): F 0.01 (3, 69) tablas 4, Dado que 4, 8156 > 4, 0788, podemos rechazar la hipótesis nula y se puede concluir que la campaña de desprestigio tuvo efecto estadísticamente significativo sobre las ventas de la compañía. 10
11 h. El output de la estimación del Modelo(3) es: La estimación de la elasticidad de los precios antes de la campaña de desprestigio es ˆβ 1 2, 856 y después de la campaña es ˆβ 1 3, 31 (igual que antes utilizando fictícias). La estimación de la elasticidad respecto C es ˆβ 2 4, 54 antes y ˆβ 2 3, 37 después de la campaña de desprestigio. La estimación de la constante es ˆβ 0 8, 59 antes y ˆβ 0 2, 45 después de la campaña. i. Contraste: H 0 : β 0 β 0 y β 1 β 1 y β 2 β 2 versus H 1 : no H 0 Estadístico de contraste: F (SRC R SRC)/(K + 1) SRC/(n 2(K + 1)) (SRC R (SRC 1 + SRC 2 ))/(K + 1) (SRC 1 + SRC 2 )/(n 2(K + 1)) bajo H o F (K + 1, n 2(K + 1)) 11
12 SRC 1 será la suma de los cuadrados de la primera regresión del Modelo(3) y SRC 2 será la suma de los cuadrados de la segunda regresión del Modelo(3). Por otro lado, SRC R es la suma de los cuadrados de los residuos del Modelo(1). Así, valor F (SRC R SRC)/(K + 1) SRC/(n 2(K + 1)) (SRC R (SRC 1 + SRC 2 ))/(K + 1) (SRC 1 + SRC 2 )/(n 2(K + 1)) (39, (13, , 71620))/3 (13, , 71620)/(75 2 3) (39, , 47600)/3 32, 47600/69 4, 8156 Este es el mismo valor del estadístico F que en el apartado anterior utilizando una sola variable fictícia, tal como esperabamos. 13. a. Gretl output: Recta ajustada: deathrate t 210, 34 66, 08 calc t + 10, 60 cigs t + 2, 92 edfat t + 0, 098 meat t + (138,80) (76,62) (4,83) (1,62) (0,24) +22, 60 (8,02) spirits t 3, 31 beer t 7, 32 wine t R 2 0, 73 (1,21) (14,36) 12
13 b. Podemos sospechar la presencia de colinealidad en la muestra ya que el consumo de cerveza, vino y otras bebidas alcohólicas pueden estar correlacionadas. Un resultado desconcertante es la relación positiva aparente de spirits y la tasa de mortalidad con una relación negativa de beer y wine con la tasa de mortalidad. Además, spirits podrían estar correlacionados con consumo de tabaco. Las personas que beben mucho también tienden a fumar más. También, podemos sospechar colinealidad entre el consumo de calorías diarias (calc) y el consumo diario de grasa (edfat) y el consumo diario de carne (meat). Como más grasa y carne se consume, más calorías se ingesta. El signo negativo para calc juntamente con signos positivos para edfat y meat es otra señal a la que podríamos prestar atención. c. Para estimar F IV 7, estimamos la regresión auxiliar para el regresor wine: Después, utilizando R 2 de esta regresión calculamos F IV 7 : F IV 7 1/(1 R 2 7) 1/(1 0, 9748) 1/0, , 68 Como vemos, F IV 7 > 10, así que tenemos un problema de colinealidad que han afectado a la estimación del parámetro (gran var( β 7 )). 13
14 d. Con la ayuda de Gretl calculamos los factores de inflación de la varianza para todas las variables, utilizando la opción de menú: Contrastes Colinealidad... Como podemos observar, los factors de inflación de la varianza para el consumo de tabaco (cigs), grasa (edf at), alcoholes (spirits), cerveza (beer) y vino (wine) son más grandes que 10, lo que indica un problema de colinealidad. En esta situación, las estimaciones de los coeficientes de la regresión pueden cambiar de forma errática en respuesta a pequeños cambios en los datos. La colinealidad no reduce la capacidad de predicción o la fiabilidad del modelo en su conjunto, almenos dentro de las propios datos de la muestra, sólo afecta a los cálculos que hacen referencia a las estimaciones individuales. Es decir, un modelo de regresión múltiple con variables explicativas correlacionadas puede indicar que tanto bien todo el conjunto de predictores predice la variable de resultado, pero no puede dar resultados válidos sobre cualquier regresor individual. 14
15 17. a. Estimamos que la media de la variable SALAMES por separado para hombres y mujeres. Para esto, en primer lugar, hemos de restringir nuestra muestra. Utilizando Muestra Restringir a partir de criterio, restringimo la muestra primero MUJER 0 y después eliminamos la restricción mediante la aplicación de Muestra Restaurar rango completo y restringimos la muestra de nuevo a M U JER 1. Utilizando Variable Estadísticos Principales nos encontramos con las medias de salarios para a hombres y mujeres: Como vemos, los hombres tienen salarios más grandes que las mujeres en media: 1937,3 euros versus 1389,4 euros. No obstante esto hemos de tener cuidado en la elaboración de conclusiones en lo que respecta a la discriminación de género a partir de estas cifras. Puede ser que los hombres incluidps en la muestra tienen diferentes características en lo que respecta al grupo de mujeres. Por ejemplo, tienen educación superior o más años de experiencia. Con sólo mirar las estadísticas descriptivas no tomamos esta posible explicación en cuenta. La regresión nos permite controlar por estas diferencias. b. Estimamos el modelo que nos permetirá observar las diferencias de salarios entre hombres y mujeres, controlando al mismo tiempo por características importantes 15
16 de un trabajador como la educación o los años de experiencia: Model(3) ln(salames i ) β 0 + β 1 ESCOLA i + β 2 EXP ER i + β 4 MUJER i c. Gretl output de este modelo: +β 5 (ESCOLA i MUJER i ) + β 6 (EXP ER i MUJER i ) + u i Como se observa a partir del output, el retorno de la educación para las mujeres es de 1,4 % más alta que para los hombres, mientras que el retorno de la experiencia es de 0,58 % inferior a la de los hombres. En media, log-salarios para las mujeres es 0,4 puntos menor que para los hombres. d. Ahora nos gustaría probar la presencia de la discriminación de género. Vamos a comprobar si las mujeres tienen el mismo salario que los hombres, lo que se corresponde con la siguiente hipótesis H 0 : β 4 β 5 β 6 0 versus tienen diferente salario: H 1 : no H o. Calculamos el F-test utilizando la siguiente expresión para el F-test: (R 2 RR 2 F )/q (1 R 2 )/(n (K + 1)) 16
17 donde el modelo restringido será M odelo(1). Output para M odelo(1): Calculamos valor-f: F (R 2 R 2 R )/q (1 R 2 )/(n (K + 1)) (0, , )/3 (1 0, )/(5000 7) 255, 52 Valor crítico al 5 % es F(3,4993)2, Por tanto, rechazamos la hipótesis nula y podemos concluir que puede haber discriminación de género (o algunos otros factores que hacen que hombres y mujeres sean diferentes en el mercado laboral, con excepción de la educación y los años de experiencia) porque valor F > F critical : 255, 52 > 2, Repetimos la prueba a través de Gretl opción de menú: Contrastes Restricción lineal y introducimos b[4]0; b[5]0; b[6]0. Esto nos da el siguiente output con exactamente el mismo resultado: 17
TEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
Más 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 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 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 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 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 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 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 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 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 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 detallesModelo Econométrico sobre el Turismo
Modelo Econométrico sobre el Turismo Ruth Rubio Rodríguez Miriam Gómez Sánchez Mercados 3ºA GMIM Índice Planteamiento del Problema..4 1. Estadísticos Descriptivos...5 2. Matriz Correlaciones 5 3. Gráfico
Más 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 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 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 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 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 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 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 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 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 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 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 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 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 detallesTema 8: Introducción a la Teoría sobre Contraste de hipótesis
Tema 8: Introducción a la Teoría sobre Contraste de hipótesis Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Introducción a la Teoría
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 detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
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 detallesPruebas de Hipótesis. Diseño Estadístico y Herramientas para la Calidad. Pruebas de Hipótesis. Hipótesis
Diseño Estadístico y Herramientas para la Calidad Pruebas de Hipótesis Expositor: Dr. Juan José Flores Romero juanf@umich.mx http://lsc.fie.umich.mx/~juan M. en Calidad Total y Competitividad Pruebas de
Más detallesÁLGEBRA LINEAL I Algunas soluciones a la Práctica 3
ÁLGEBRA LINEAL I Algunas soluciones a la Práctica 3 Matrices y determinantes (Curso 2011 2012) 2. Sea A una matriz diagonal n n y supongamos que todos los elementos de su diagonal son distintos entre sí.
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 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 detalles3 Curvas alabeadas. Solución de los ejercicios propuestos.
3 Curvas alabeadas. Solución de los ejercicios propuestos.. Se considera el conjunto C = {(x, y, z R 3 : x y + z = x 3 y + z = }. Encontrar los puntos singulares de la curva C. Solución: Llamemos f (x,
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 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 detallesINFERENCIA ESTADÍSTICA: CONTRASTES DE HIPÓTESIS
INFERENCIA ESTADÍSTICA: CONTRASTES DE HIPÓTESIS Autor: Clara Laguna 6.1 INTRODUCCIÓN En el tema anterior estudiamos cómo a partir de una muestra podemos obtener una estimación puntual o bien establecer
Más detallesREGRESIÓN LINEAL SIMPLE, COEFICIENTE DE DETERMINACIÓN Y CORRELACIONES (EJERCICIOS RESUELTOS)
1 REGRESIÓN LINEAL SIMPLE, COEFICIENTE DE DETERMINACIÓN Y CORRELACIONES (EJERCICIOS RESUELTOS) 1. EN LA REGIÓN DE DRAKUL DE LA REPÚBLICA DE NECROLANDIA, LAS AUTORIDADES ECONÓMICAS HAN REALIZADO UNA REVISIÓN
Más detallesEstadística Convocatoria de Junio Facultad de Ciencias del Mar. Curso 2009/10 28/06/10
1. El Indice Climático Turístico (ICT), definido por Mieczkowski en 1985 es un índice que toma valores en una escala de 0 a 100 y tiene como objetivo valorar la calidad que ofrece el clima de una región
Más detallesEsta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
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 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 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 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 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 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 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 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 detallesDiplomatura en Ciencias Empresariales X Y 10 10000 100 1000 1000 100 10000 10
DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA Diplomatura en Ciencias Empresariales ESTADÍSTICA II Relación Tema 10: Regresión y correlación simple. 1. Ajustar una función potencial a los siguientes
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 detallesECONOMETRÍA 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 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 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 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 detallesUNIDAD 6. Estadística
Matemática UNIDAD 6. Estadística 2 Medio GUÍA N 1 MEDIDAS DE DISPERSIÓN PARA DATOS NO AGRUPADOS ACTIVIDAD Consideremos los siguientes conjuntos de valores referidos a las edades de los jugadores de dos
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 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 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 detallesTema 2: Teorema de estructura de los grupos abelianos finitamente generados.
ESTRUCTURAS ALGEBRAICAS GRADO EN MATEMÁTICAS. CURSO 215/216 Tema 2: Teorema de estructura de los grupos abelianos finitamente generados. 1.1. Grupo abeliano libre. Bases. Definición 1.1. El grupo Z n con
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 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 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 detallesMÓDULO 1: GESTIÓN DE CARTERAS
MÓDULO 1: GESTIÓN DE CARTERAS TEST DE EVALUACIÓN 1 Una vez realizado el test de evaluación, cumplimenta la plantilla y envíala, por favor, antes del plazo fijado. En todas las preguntas sólo hay una respuesta
Más detallesEconometría de Económicas
Econometría de Económicas Caso 2.- Función de Producción Cobb- Douglas Prof. Amparo Sancho El objetivo de este ejercicio es practicar los primeros conocimientos básicos de econometría con la función de
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 4 Optimización no Lineal
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 4 Optimización no Lineal ORGANIZACIÓN DEL TEMA Sesiones: El caso sin restricciones: formulación, ejemplos Condiciones de optimalidad, métodos Caso con restricciones:
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 detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesContrastes de hipótesis. 1: Ideas generales
Contrastes de hipótesis 1: Ideas generales 1 Inferencia Estadística paramétrica población Muestra de individuos Técnicas de muestreo X 1 X 2 X 3.. X n Inferencia Estadística: métodos y procedimientos que
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 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 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 detallesun conjunto cuyos elementos denominaremos vectores y denotaremos por es un espacio vectorial si verifica las siguientes propiedades:
CAPÍTULO 2: ESPACIOS VECTORIALES 2.1- Definición y propiedades. 2.1.1-Definición: espacio vectorial. Sea un cuerpo conmutativo a cuyos elementos denominaremos escalares o números. No es necesario preocuparse
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 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 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 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 detallesTema 5: Introducción a la inferencia estadística
Tema 5: Introducción a la inferencia estadística 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos 5. Contrastes de hipótesis Lecturas
Más detallesDeterminantes. Concepto de determinante A cada matriz cuadrada A se le asigna un número denominado determinante de A, denotado por A o por det (A).
Determinantes Concepto de determinante A cada matriz cuadrada A se le asigna un número denominado determinante de A, denotado por A o por det (A). A = Determinante de orden uno a 11 = a 11 5 = 5 Determinante
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 detalles1. VALORES FALTANTES 2. MECANISMOS DE PÉRDIDA
1. VALORES FALTANTES Los valores faltantes son observaciones que en un se tenía la intención de hacerlas, pero por distintas razones no se obtuvieron. Puede ser que no se encuentre a un encuestado, entonces
Más detallesÁLGEBRA LINEAL II Algunas soluciones a la práctica 2.3
ÁLGEBRA LINEAL II Algunas soluciones a la práctica 2. Transformaciones ortogonales (Curso 2010 2011) 1. Se considera el espacio vectorial euclídeo IR referido a una base ortonormal. Obtener la expresión
Más detallesDeterminantes. Determinante de orden uno. a 11 = a 11 5 = 5
DETERMINANTES Determinantes Concepto de determinante A cada matriz cuadrada A se le asigna un escalar particular denominado determinante de A, denotado por A o por det (A). A = Determinante de orden uno
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 detallesEjemplos y ejercicios de. Estadística Descriptiva. yanálisis de Datos. 2 Descripción estadística de una variable. Ejemplos y ejercicios.
ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS Ejemplos y ejercicios de Estadística Descriptiva yanálisis de Datos Diplomatura en Estadística Curso 007/08 Descripción estadística de una variable. Ejemplos
Más detallesApéndice sobre ecuaciones diferenciales lineales
Apéndice sobre ecuaciones diferenciales lineales Juan-Miguel Gracia 10 de febrero de 2008 Índice 2 Determinante wronskiano. Wronskiano de f 1 (t), f 2 (t),..., f n (t). Derivada de un determinante de funciones.
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 detallesElaboración de un modelo econométrico.
1 Elaboración de un modelo econométrico. Con este documento se presenta una guía que puede servir al alumno de las asignaturas de Econometría para elaborar un informe o proyecto en el que se recojan los
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesTRABAJO ECONOMETRIA (ETAPAS 1,2 Y 3)
1 UNIVERSIDAD TRABAJO ECONOMETRIA (ETAPAS 1,2 Y 3) NOMBRE ALUMNO: ************** ASIGNATURA: ECONOMETRIA FECHA ENTREGA: 05/12/2011 NOTA=70% 2 1. Introducción La integración comercial de Chile al mundo
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 detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Enero 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe que los
Más detallesMASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN Módulo: FORMACIÓN FUNDAMENTAL. Créditos ECTS: 6 Presenciales: 5 No presenciales: 1
MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN 2009 Nombre de asignatura: AMPLIACIÓN DE ESTADÍSTICA Código:603358 Materia: MATEMÁTICAS Y ESTADÍSTICA Módulo: FORMACIÓN FUNDAMENTAL Carácter: OBLIGATORIA
Más 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 detallesEstadísticos Aplicados en el SPSS 2008
PRUEBAS ESTADISTICAS QUE SE APLICAN (SPSS 10.0) PARAMÉTRICAS:... 2 Prueba t de Student para una muestra... 2 Prueba t par muestras independientes... 2 ANOVA de una vía (multigrupo)... 2 ANOVA de dos vías
Más detallesConceptos del contraste de hipótesis
Análisis de datos y gestión veterinaria Contraste de hipótesis Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, 14 de Diciembre de 211 Conceptos del contraste de
Más detallesEJERCICIOS DE PRUEBA DE HIPOTESIS
EJERCICIOS DE PRUEBA DE HIPOTESIS Protocolo 1. Identifique la aseveración original que se probará y exprésela en forma simbólica 1. 2. Dar la forma simbólica que debe ser verdad si la aseveración original
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 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 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 detalles