Guillermo Ayala Gallego Universidad de Valencia
|
|
- Adolfo Reyes Sevilla
- hace 6 años
- Vistas:
Transcripción
1 GoBack
2 Regresión logística Guillermo Ayala Gallego Universidad de Valencia 4 de febrero de / 22
3 Puede que sea el procedimiento estadístico más utilizado. Con aplicaciones frecuentes en Medicina y Biología, Ciencias Sociales, Marketing,... El 11 de enero de 2009 saĺıa en artículos en la base de datos PubMed. Modelo de regresión logística Interpretación del parámetro β Es apropiado el modelo? Modelos logit con predictores categóricos 2 / 22
4 Modelo de regresión logística Y es una respuesta binaria. X (una sola) variable explicativa y π(x) = P(Y = 1 X = x) = 1 P(Y = 0 X = x). El modelo de regresión logística asume π(x) = exp{α + βx} 1 + exp{α + βx} o equivalentemente logit(π(x)) = log π(x) 1 π(x) = α + βx 3 / 22
5 Interpretación del parámetro β e β es un cociente de los odds de X = x + 1 dividido por los odds de X = x. El parámetro α no suele tener un interés especial. 4 / 22
6 Es apropiado el modelo? Una posibilidad es considerar para cada x el número de observaciones que comparten la covariable. Si y i es el número de unos y n i el número de pruebas entonces log y i n i y i ha de ser aproximadamente lineal. Si x es muy numérica (muchos valores distintos) entonces alguna técnica de suavizado parece mejor. 5 / 22
7 La basamos en la distribución asintótica de los estimadores máximo verosímiles. En un modelo con un solo predictor el contraste básico sería H 0 : β = 0; H 1 : β 0 Podemos usar los tres tests ya considerados: cociente de verosimilitudes, Wald y el score test. Modelo de regresión logística Interpretación del parámetro β Es apropiado el modelo? Modelos logit con predictores categóricos 6 / 22
8 Para obtener el intervalo de confianza para π(x 0 ) tenemos que, puesto que logit(ˆπ(x 0 )) = ˆα + ˆβx 0, entonces var(ˆα+ ˆβx 0 ) = var(ˆα)+x 2 0var(ˆβ)+2x 0 cov(ˆα, ˆβ). De donde el intervalo de confianza para α + βx 0 sería ˆα + ˆβx 0 ± 1,96SE, y el intervalo para π(x 0 ) lo obtenemos mediante la transformación inversa π(x 0 ) = exp(logit)/(1 + exp(logit)). Modelo de regresión logística Interpretación del parámetro β Es apropiado el modelo? Modelos logit con predictores categóricos 7 / 22
9 Los cangrejos herradura hembra: depende el que tenga satélite de la anchura del caparazón? notar/notar022.pdf. Unos datos del IBV: notar/notar032.pdf. Modelo de regresión logística Interpretación del parámetro β Es apropiado el modelo? Modelos logit con predictores categóricos 8 / 22
10 no agrupados Una posibilidad es comparar nuestro modelo con modelos más complejos (con interacciones o términos cuadráticos). Si el modelo más complejo no ajusta sensiblemente mejor puede que nuestro modelo no sea demasiado malo. Si todas los predictores son categóricos entonces podemos estimar la probabilidad de uno y cero, lo multiplicamos por el número de sujetos en este setting y tenemos los valores ajustados. Podemos comparar lo ajustado y lo observado con el test ji-cuadrado de Pearson o el test del cociente de verosimilitud. Si el número de settings se mantiene fijo y aumentamos la muestra la distribución nula asintótica es una ji-cuadrado donde el número de grados de libertad es la diferencia entre el número de setting menos el número de parámetros del modelo. 9 / 22
11 no agrupados Y si los predictores son continuos, esto es, tenemos datos? Una posibilidad es categorizar los predictores. Asignamos el valor medio de los predictores a los individuos de la categoría. Estimamos la probabilidad de uno y cero usando en estos valores medios y reproducimos lo que hacemos para datos agrupados. Modelo de regresión logística Interpretación del parámetro β Es apropiado el modelo? Modelos logit con predictores categóricos 10 / 22
12 El procedimiento anterior con muchos predictores produce tablas con muchas celdas. Vamos a agrupar usando las probabilidades de éxito utilizando datos. Formamos grupos aproximadamente iguales: el primer grupo tendría los que tienen mayor probabilidad de éxito, el segundo grupo los siguientes y así sucesivamente. El valor observado es el número de individuos en el grupo. El valor esperado es la suma de las probabilidades estimadas para todas las observaciones del grupo. 11 / 22
13 Si y ij denota el resultado binario para la observación j del grupo i (i = 1,...,g,j = 1,...,n i y ˆπ ij denota su probabilidad ajustada entonces el estadístico del test de Hosmer Lemeshow sería ( g j y ij 2 j ij) ˆπ j ˆπ ij(1 j ˆπ ij)/n i i=1 La distribución asintótica no es una ji-cuadrado ya que no tenemos pruebas de Bernoulli. Si el número de settings es igual al tamaño muestral entonces la distribución nula es aproximadamente ji-cuadrado con g 1 grados de libertad. notar/notar035.pdf 12 / 22
14 Modelos logit con predictores categóricos Modelo de regresión logística Interpretación del parámetro β Es apropiado el modelo? Modelos logit con predictores categóricos Representación tipo ANOVA Una formulación alternativa con variables dummy Regresión logística múltiple Modelos13 logit/ para 22 tablas de contingencia
15 Representación tipo ANOVA Supongamos un solo factor X con I categorías. Tendríamos una tabla I 2 donde el conteo de la primera columna y i es el número de éxitos de las n i pruebas. Tenemos y i con distribución binomial con parámetros π i y n i e independientes. El modelo logit con un solo factor sería log π i 1 π i = α + β i. Un valor mayor de β i supone un mayor valor de la probabilidad π i. Modelo de regresión logística Interpretación del parámetro β Es apropiado el modelo? Modelos logit con predictores categóricos Representación tipo ANOVA Una formulación alternativa con variables dummy Regresión logística múltiple Modelos14 logit/ para 22 tablas de contingencia
16 Tenemos un parámetro redundante. Las opciones habituales son i β i = 0. β I = 0. En este caso: α es el logit de la categoría I. β i es la diferencia de los logit entre la categoría i y la categoría I, el logaritmo del odds ratio. Es un modelo con I parámetros, tantos como observaciones binomiales. Es un modelo saturado. Modelo de regresión logística Interpretación del parámetro β Es apropiado el modelo? Modelos logit con predictores categóricos Representación tipo ANOVA Una formulación alternativa con variables dummy Regresión logística múltiple Modelos15 logit/ para 22 tablas de contingencia
17 Si el factor (X) no tiene efecto: β 1 =... = β I = 0, o equivalentemente π 1 =... = π I. Modelo de regresión logística Interpretación del parámetro β Es apropiado el modelo? Modelos logit con predictores categóricos Representación tipo ANOVA Una formulación alternativa con variables dummy Regresión logística múltiple Modelos16 logit/ para 22 tablas de contingencia
18 Una formulación alternativa con variables dummy Consideramos x i = 1 para las observaciones de la fila i en la tabla I 2 y cero en otro caso para i = 1,...,I 1 El modelo logit lo formulamos como logit(π i ) = α + β 1 x β I 1 x I 1. Esta formulación es equivalente con la hipótesis β I = 0. La categoría que elegimos para asumir que su β es nulo es arbitraria. Independientemente de la restricción ˆα + ˆβ i y por lo tanto ˆπ i son los mismos. notar/notar026.pdf. 17 / 22
19 Regresión logística múltiple Si π(x) = P(Y = 1 x) con x = (x 1,...,x p ) asumimos logit[π(x)] = α + β 1 x β p x p. O equivalentemente π(x) = exp(α + β 1x β p ) 1 + exp(α + β 1 x β p ). Fijadas todas las demás variables, un cambio en una unidad de x i se traduce en un cambio en el logaritmo de los odds de β i o bien un cambio multiplicativo en los odds de exp(β i ). 18 / 22
20 Modelos logit para tablas de contingencia múltiples Consideremos X,Z predictores binarios e Y la respuesta binaria: x 1 = z 1 = 1 y x 2 = z 2 = 0. Consideremos el modelo logit(p(y = 1)) = α + β 1 x i + β 2 Z donde están los efectos principales pero no hay interacción. El modelo indicado corresponde con una asociación homogénea entre X e Y, esto es, no depende del valor de Z. Si β 1 = 0 además X e Y son independientes en cada tabla parcial, esto es, son condicionalmente independientes dado Z La escala logit es la aceptada genéricamente para no interacción entre variables categóricas. Podemos trabajar en otra escala y la no interacción en una escala no implica la no interacción en la otra. 19 / 22
21 Modelos logit para tablas de contingencia múltiples Consideremos X,Z predictores categóricos e Y la respuesta binaria. El modelo de no interacción, de independencia condicional o de asociación homogénea corresponde con logit(p(y = 1)) = α + β X i + β Z k donde estamos representando los efectos de X mediante los (I 1) parámetros β X i y los efectos de Z mediante los β Z k. La independencia condicional se corresponde con H 0 : β X 1 = β X 2 =... = β X I. 20 / 22
22 SIDA Y AZT Tenemos una muestra de personas afectadas de sida en donde como respuesta consideramos si desarrollan síntomas de SIDA y como predictores la raza y si se les administra AZT de modo inmediato o cuando las células T muestran debilidad inmune. logit(p(y = 1)) = α + β AZT Si + β Raza Blanco α es el log odds de desarrollar síntomas de SIDA para negros que no se les administró inmediatamente AZT. βsi AZT es el incremento en los log odds para los que usan inmediatamente AZT. βblanco Raza es el incremento de los odds para los blancos. notar/notar027.pdf. 21 / 22
23 Los cangrejos herradura atacan de nuevo Consideramos el modelo logit(π) = α + β 1 c 1 + β 2 c 2 + β 3 c 3 + β 4 x, π = P(Y = 1), x= anchura en centímetros, c 1 = 1 para color medio claro y 0 en otro caso, c 2 = 1 para color medio y 0 en otro caso, c 3 = 1 para color medio oscuro y 0 en otro caso. notar/notar028.pdf. Modelo de regresión logística Interpretación del parámetro β Es apropiado el modelo? Modelos logit con predictores categóricos Representación tipo ANOVA Una formulación alternativa con variables dummy Regresión logística múltiple Modelos22 logit/ para 22 tablas de contingencia
Análisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
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 detallesDescripción de tablas de contingencia
GoBack Descripción de Guillermo Ayala Gallego Universidad de Valencia 15 de octubre de 2008 1 / 40 Un ejemplo Distribución conjunta y tabla de Distribución condicional Independencia y homogeneidad Tablas
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 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 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 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 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 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 detallesTema 2.- Formas Cuadráticas.
Álgebra. 004 005. Ingenieros Industriales. Departamento de Matemática Aplicada II. Universidad de Sevilla. Tema.- Formas Cuadráticas. Definición y representación matricial. Clasificación de las formas
Más 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 detallesa. Poisson: los totales marginales y el total muestral varían libremente.
TEMA 2º: TABLAS DE CONTINGENCIA BIDIMENSIONALES 1º Distribución de frecuencias observadas El único aspecto cuantificable en el análisis cualitativo es el número de individuos que presenta una combinación
Más detallesA. PRUEBAS DE BONDAD DE AJUSTE: B.TABLAS DE CONTINGENCIA. Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords
A. PRUEBAS DE BONDAD DE AJUSTE: Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords B.TABLAS DE CONTINGENCIA Marta Alperin Prosora Adjunta de Estadística alperin@fcnym.unlp.edu.ar http://www.fcnym.unlp.edu.ar/catedras/estadistica
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 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 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 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 detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesPráctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut
Práctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut 8.1 Para cada uno de los siguientes conjuntos, encontrar una desigualdad válida que agregada a la formulación
Más detallesIndicaciones para el lector... xv Prólogo... xvii
ÍNDICE Indicaciones para el lector... xv Prólogo... xvii 1. INTRODUCCIÓN Qué es la estadística?... 3 Por qué estudiar estadística?... 5 Empleo de modelos en estadística... 6 Perspectiva hacia el futuro...
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 detalles1.2.2. Técnicas estadísticas más utilizadas en la investigación
Contenido PRÓLOGO... 1. LA ESTADÍSTICA COMO HERRAMIENTA EN LA INVESTIGACIÓN TURÍSTICA 1.1. EL TURISMO Y LA ESTADÍSTICA... 2 1.1.1. El turismo... 2 1.1.2. La estadística... 4 1.2. LA ESTADÍSTICA Y LA INVESTIGACIÓN
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 detallesCarrera: EMM Participantes Representante de las academias de ingeniería Electromecánica de los Institutos Tecnológicos.
1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Probabilidad y Estadística Ingeniería Electromecánica EMM - 0528 3 2 8 2.- HISTORIA
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 detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesMEDIDAS DE TENDENCIA CENTRAL
MEDIDAS DE TENDENCIA CENTRAL Al describir grupos de observaciones, con frecuencia es conveniente resumir la información con un solo número. Este número que, para tal fin, suele situarse hacia el centro
Más detallesdos, tres o más variables categóricas en una tabla de contingencia.
Modelo Log Lineales Hasta los años 60 las tablas de contingencia de 2 2 eran analizadas calculando estadísticos tipo χ 2 para testear independencia. Cuando las tablas involucraban más variables se solía
Más detallesDESEMPEÑO ACADEMICO DE ESTUDIANTES DE INGENIERIA: ANALISIS DE FACTORES INCIDENTES
DESEMPEÑO ACADEMICO DE ESTUDIANTES DE INGENIERIA: ANALISIS DE FACTORES INCIDENTES GT 04 Modelagem Matemática María del Carmen Ibarra Facultad de Ingeniería Universidad Nacional de Misiones- UNaM ibarra@fio.unam.edu.ar
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 detallesTablas de contingencia y contrastes χ 2
Tablas de contingencia y contrastes χ 2 Independencia Grados de Biología y Biología sanitaria M. Marvá e-mail: marcos.marva@uah.es Unidad docente de Matemáticas, Universidad de Alcalá 22 de noviembre de
Más detallesRegresión Polinomial y Regresión Logística
MÁSTER EN ESTADÍSTICA PÚBLICA Experto Universitario: Estadística Aplicada y Técnicas de Encuestación 1 Regresión Polinomial y Regresión Logística M.L. Gámiz Pérez Departamento Estadística e Inv. Operativa
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 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 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 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 detallesCAPITULO ANÁLISIS ESTADÍSTICO MULTIVARIADO /1/ /2/ En el presente capítulo se realiza el análisis estadístico multivariado de los
112 CAPITULO 5 5.- ANÁLISIS ESTADÍSTICO MULTIVARIADO /1/ /2/ 5.1. Introducción En el presente capítulo se realiza el análisis estadístico multivariado de los datos obtenidos en censo correspondientes a
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 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 detallesProceso de análisis de regresión múltiple
Proceso de análisis de regresión múltiple Recolección de datos Chequeo de la calidad de los datos Diagnóstico de relaciones o interacciones fuertes entre las variables Xs Aplicación de medidas remediales
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 detallesConjunto R 3 y operaciones lineales en R 3
Conjunto R 3 y operaciones lineales en R 3 Objetivos. Definir el conjunto R 3 y operaciones lineales en R 3. Requisitos. Conjunto de los números reales R, propiedades de las operaciones aritméticas en
Más detallesEstadística Espacial en Ecología del Paisaje
Estadística Espacial en Ecología del Paisaje Introducción H. Jaime Hernández P. Facultad de Ciencias Forestales U. de Chile Tipos de datos en análisis espacial Patrones espaciales puntuales Muestras geoestadísticas
Más detallesCAPÍTULO IV TRABAJO DE CAMPO Y PROCESO DE CONTRASTE DE LAS HIPÓTESIS
CAPÍTULO IV TRABAJO DE CAMPO Y PROCESO DE CONTRASTE DE LAS HIPÓTESIS 1. HIPÓTESIS ALTERNA E HIPÓTESIS NULA Para someter a contraste una hipótesis es necesario formular las Hipótesis Alternas ( H1 ) y formular
Más detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 31 de mayo, 2011 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
Más detallesUniversidad Nacional de Mar del Plata. Facultad de Ingeniería. Estadística Básica COMISIÓN 1. 1 Cuatrimestre 2016
Universidad Nacional de Mar del Plata Facultad de Ingeniería Estadística Básica COMISIÓN 1 1 Cuatrimestre 2016 s. La palabra Estadística procede del vocablo Estado, pues era función principal de los Gobiernos
Más detallesModelos Estocásticos I Tercer Examen Parcial Respuestas
Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado
Más detallesPruebas de Hipótesis-ANOVA. Curso de Seminario de Tesis Profesor QF Jose Avila Parco Año 2016
Pruebas de Hipótesis-ANOVA Curso de Seminario de Tesis Profesor Q Jose Avila Parco Año 2016 Análisis de la Varianza de un factor (ANOVA) El análisis de la varianza (ANOVA) es una técnica estadística paramétrica
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 detallesDISTRIBUCIONES BIDIMENSIONALES
La estadística unidimensional estudia los elementos de un conjunto de datos considerando sólo una variable o característica. Si ahora incorporamos, otra variable, y se observa simultáneamente el comportamiento
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 detallesTema: Medidas de Asociación con SPSS
Tema: Medidas de Asociación con SPSS 1.- Introducción Una de las tareas habituales en el análisis de encuestas es la generación y análisis de tablas de contingencia, para las variables y categorías objetivo
Más detallesPRUEBAS DE BONDAD DE AJUSTE y DE INDEPENDENCIA
PRUEBAS DE BONDAD DE AJUSTE y DE INDEPENDENCIA Quien hace puede equivocarse, quien no hace ya está equivocado. DANIEL KON Ji CUADRADA Material preparado por: Profesor León Darío Bello Parias Ji CUADRADA-
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 detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 28 de mayo, 2013 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
Más detalles520142: ALGEBRA y ALGEBRA LINEAL
520142: ALGEBRA y ALGEBRA LINEAL Segundo Semestre 2008, Universidad de Concepción CAPITULO 10: Espacios Vectoriales DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición
Más detallesTipo de punta (factor) (bloques)
Ejemplo Diseño Bloques al Azar Ejercicio -6 (Pág. 99 Montgomery) Probeta Tipo de punta (factor) (bloques) 9. 9. 9.6 0.0 9. 9. 9.8 9.9 9. 9. 9.5 9.7 9.7 9.6 0.0 0. ) Representación gráfica de los datos
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL PROGRAMA DE LA ASIGNATURA DE: IDENTIFICACIÓN DE LA ASIGNATURA
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 detallesMedidas de tendencia central y dispersión
Estadística Aplicada a la Investigación en Salud Medwave. Año XI, No. 3, Marzo 2011. Open Access, Creative Commons. Medidas de tendencia central y dispersión Autor: Fernando Quevedo Ricardi (1) Filiación:
Más detallesTRABAJO FIN DE MÁSTER MÁSTER OFICIAL EN ESTADÍSTICA APLICADA UNIVERSIDAD DE GRANADA
TRABAJO FIN DE MÁSTER MÁSTER OFICIAL EN ESTADÍSTICA APLICADA UNIVERSIDAD DE GRANADA Alumna: María Ángeles Dueñas Rodríguez ÍNDICE Capítulo 1: Introducción... 1 Capítulo 2: Teoría de los modelos de regresión
Más detallesContenido. 2 Probabilidad 9. Prefacio. 1 Introducci6n a la estadfstica y al an;!llisis de datos
Contenido Prefacio ix 1 Introducci6n a la estadfstica y al an;!llisis de datos 1 1.1 1.2 1.3 1.4 1.5 1.6 Repaso 1 EI papel de la probabilidad 2 Medidas de posici6n: media de una muestra 4 Medidas de variabilidad
Más detallesNúmeros Complejos Matemáticas Básicas 2004
Números Complejos Matemáticas Básicas 2004 21 de Octubre de 2004 Los números complejos de la forma (a, 0) Si hacemos corresponder a cada número real a, el número complejo (a, 0), tenemos una relación biunívoca.
Más detallesCONTENIDO. Prólogo a la 3. a edición en español ampliada... Prólogo...
CONTENIDO Prólogo a la 3. a edición en español ampliada.................................. Prólogo.................................................................. vii xvii 1. Métodos descriptivos................................................
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS
INTRODUCCIÓN AL ANÁLISIS DE DATOS HORARIOS: Lunes, 12:00-13:30 Martes, 8:15-9:45 Jueves, 8:15-9:45 Tema 1. Introducción. El análisis de datos dentro de la estadística. Características de los datos socioeconómicos.
Más detallesAnálisis Probit. StatFolio de Ejemplo: probit.sgp
STATGRAPHICS Rev. 4/25/27 Análisis Probit Resumen El procedimiento Análisis Probit está diseñado para ajustar un modelo de regresión en el cual la variable dependiente Y caracteriza un evento con sólo
Más detalles2 = 1 0,5 + = 0,5 c) 3 + = = 2
Trabajo Práctico N : SISTEMAS DE ECUACIONES LINEALES Ejercicio : Resuelva los siguientes sistemas de ecuaciones lineales empleando cuando sea posible: i) Método matricial. ii) Regla de Cramer. Interprete
Más detallesDistribución Chi (o Ji) cuadrada (χ( 2 )
Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably
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 detallesPor ejemplo, si se desea discriminar entre créditos que se devuelven o que presentan
Regresión Logística Introducción El problema de clasificación en dos grupos puede abordarse introduciendo una variable ficticia binaria para representar la pertenencia de una observación a uno de los dos
Más detallesÍNDICE INTRODUCCIÓN... 21
INTRODUCCIÓN... 21 CAPÍTULO 1. ORGANIZACIÓN DE LOS DATOS Y REPRESENTACIONES GRÁFICAS... 23 1. ORGANIZACIÓN DE LOS DATOS... 23 1.1. La distribución de frecuencias... 24 1.2. Agrupación en intervalos...
Más detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detallesSistemas de ecuaciones lineales
Sistemas de ecuaciones lineales Sistemas de ecuaciones lineales Generalidades Definición [Sistema de ecuaciones lineales] Un sistema de m ecuaciones lineales con n incógnitas, es un conjunto de m igualdades
Más detallesPresentación de la tercera edición Autores
ÍNDICE DE CAPÍTULOS Presentación de la tercera edición Autores 1 Introducción a los métodos de la epidemiología y la bioestadística... 1 M.A. Martínez-González, A. Sánchez-Villegas, J. de Irala 1.1. Estadística,
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 detalles4. Resolución de indeterminaciones: la regla de L Hôpital.
GRADO DE INGENIERÍA AEROESPACIAL. CURSO. Lección. Funciones y derivada. 4. Resolución de indeterminaciones: la regla de L Hôpital. Sean f y g dos funciones derivables en un intervalo abierto I R y sea
Más detallesGUÍA 5 : EFECTO DEL ESTRÉS EN EL PESO DE RECIÉN NACIDOS
GUÍA 5 : EFECTO DEL ESTRÉS EN EL PESO DE RECIÉN NACIDOS Se realizó un estudio a partir de una muestra aleatoria de mujeres atendidas por el departamento de obstetricia y ginecología de cierta clínica particular.
Más detallesOtra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza
CARACTERÍSTICAS DE LA POBLACIÓN. Una pregunta práctica en gran parte de la investigación de mercado tiene que ver con el tamaño de la muestra. La encuesta, en principio, no puede ser aplicada sin conocer
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 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 detalles1 SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS
1 SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS 1.1 SISTEMAS DE ECUACIONES LINEALES Una ecuación lineal es una ecuación polinómica de grado 1, con una o varias incógnitas. Dos ecuaciones son equivalentes
Más detallesEvaluar, 6 (2006), ISSN
Evaluar, 6 (2006), 52 67 ISSN 1667-4545 Laboratorio de Evaluación Psicológica y Educativa ARTICULO METODOLÓGICO Fundamentos del Análisis de Regresión Logística en la Investigación Psicológica Ana María
Más detallesSistemas de Ecuaciones Lineales y Matrices
Capítulo 4 Sistemas de Ecuaciones Lineales y Matrices El problema central del Álgebra Lineal es la resolución de ecuaciones lineales simultáneas Una ecuación lineal con n-incógnitas x 1, x 2,, x n es una
Más detallesPROGRAMA ACADEMICO Ingeniería Industrial
1. IDENTIFICACIÓN DIVISION ACADEMICA Ingenierías DEPARTAMENTO Ingeniería Industrial PROGRAMA ACADEMICO Ingeniería Industrial NOMBRE DEL CURSO Análisis de datos en Ingeniería COMPONENTE CURRICULAR Profesional
Más detallesFundamentos de Estadística
Fundamentos de Estadística Introducción a la Estadística Prof. Dr. Eduardo Valenzuela Domínguez eduardo.valenzuela@usm.cl Universidad Técnica Federico Santa María Dr. Eduardo Valenzuela D.; MEE 2005 p.
Más detallesNúmeros reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos.
MATEMÁTICAS I Contenidos. Aritmética y álgebra: Números reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos. Resolución e interpretación gráfica de ecuaciones e
Más detallesBIOESTADISTICA ( ) Evaluación de pruebas diagnósticas. 1) Características del diseño en un estudio para evaluar pruebas diagnósticas.
Departamento de Estadística Universidad Carlos III de Madrid BIOESTADISTICA (55-10536) Evaluación de pruebas diagnósticas CONCEPTOS CLAVE 1) Características del diseño en un estudio para evaluar pruebas
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 detallesRESOLUCIÓN DE SISTEMAS MEDIANTE DETERMINANTES
UNIDD 4 RESOLUCIÓN DE SISTEMS MEDINTE DETERMINNTES Página 00 Resolución de sistemas mediante determinantes x y Resuelve, aplicando x = e y =, los siguientes sistemas de ecuaciones: x 5y = 7 5x + 4y = 6x
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 3
Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias
Más detallesDos matrices son iguales cuando tienen la misma dimensión y los elementos que ocupan el mismo lugar en ambas son iguales
Introducción Las matrices aparecen por primera vez hacia el año 1850, introducidas por J.J. Sylvester. El desarrollo inicial de la teoría se debe al matemático W.R. Hamilton en 1853. En 1858, A. Cayley
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesAlgebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
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 detalles3. ANÁLISIS DE DATOS DE PRECIPITACIÓN.
3. ANÁLISIS DE DATOS DE PRECIPITACIÓN. Teniendo en cuenta que la mayoría de procesos estadísticos se comportan de forma totalmente aleatoria, es decir, un evento dado no está influenciado por los demás,
Más detallesNivel socioeconómico medio. Nivel socioeconómico alto SI 8 15 28 51 NO 13 16 14 43 TOTAL 21 31 42 94
6. La prueba de ji-cuadrado Del mismo modo que los estadísticos z, con su distribución normal y t, con su distribución t de Student, nos han servido para someter a prueba hipótesis que involucran a promedios
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 detallesEjercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL
Ejercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL 1. Se ha realizado una muestra aleatoria simple (m.a.s) de tamaño 10 a una población considerada normal. Llegando a la conclusión que
Más detalles