Verificación de Calidad de Modelos en Regresión Lineal Software Estadístico de Regresión ERLA
|
|
- Vicente Lozano Coronel
- hace 6 años
- Vistas:
Transcripción
1 Verfcacón de Caldad de Modelos en Regresón Lneal Software Estadístco de Regresón ERLA Autores: Juan Carlos Buenaño Cordero, Cela De La Cruz Cedeño Coautor: Gaudenco Zurta Herrera Insttuto de Cencas Matemátcas Escuela Superor Poltécnca del Ltoral Km vía Permetral, Edfco 3D, Guayaqul - Ecuador ucabuen@espol.edu.ec, adela@espol.edu.ec, gzurta@espol.edu.ec Resumen En un análss de Regresón Lneal, exsten varos supuestos o premsas que deben ser consderados al momento de determnar la valdez de un modelo, puesto que el no cumplmento de alguno de estos supuestos podría conducrnos a modelos nestables, de ser así, un valor alto del estadístco R o R austado no garantza que el modelo se auste ben a los datos. Entre los prncpales supuestos que se realzan están: La dstrbucón del error normal con meda 0 y varanza σ constante, la no correlacón de los errores y la relacón no lneal entre las varables de explcacón. Por otra parte los estadístcos de resumen como t, F o R, los Coefcentes de Regresón y la Meda Cuadrátca del Error son sensbles a la presenca de valores aberrantes o atípcos. En este artículo se revsan los métodos más usados, para verfcar el cumplmento de estos supuestos, detectar la presenca de valores aberrantes y puntos de nfluenca a través de su mplementacón y correspondente valdacón en un software estadístco especalzado en la técnca de Regresón Lneal llamado ERLA (Estadístca de Regresón Lneal Avanzada), desarrollado por estudantes del Insttuto de Cencas Matemátcas de la ESPOL. Palabras Claves: Regresón Lneal, Supuestos, Adecuacón del Modelo, Implementacón, Valdacón, Software, ERLA. Abstract In Lnear Regresson Analyss, there are assumptons and premses that must be consdered to determne the valdty of a model. Snce non-complance wth any of these assumptons could lead to unstable models, f so, a hgh value of R and adusted R does not guarantee that the model fts the data well. Among the maor assumptons of Lnear Regresson are: The normal error dstrbuton wth mean 0 and constant varance σ, non-correlaton of the errors and the non-lnear relatonshp between the varables of explanaton. Moreover summary statstcs such as t, F or R, Regresson Coeffcents and Mean Square of Error are senstve to the presence of outlers or atypcal values. Ths artcle revews the methods used to verfy complance wth these assumptons, the presence of outlers and leverage ponts through ts mplementaton and valdaton by usng a Lnear Regresson-orented software named ERLA (Advanced Lnear Regresson Statstcs), developed by students of the Insttute of Mathematcal Scences at ESPOL. Keywords: Lnear Regresson, Assumptons, Model Adequacy, Deployment, Valdaton, Software, ERLA. 1. Introduccón La Regresón Lneal es una de las técncas estadístcas más poderosas y versátles utlzada en dversas áreas, entre ellas la medcna y los negocos, ya que esta técnca permte explorar y cuantfcar la relacón entre una varable llamada varable de respuesta, explcada o pronostcada Y, y una o más varables predctoras o varables de explcacón X 1, X,, X p-1 sempre y cuando éstas sean cuanttatvas. Debdo a la mportanca que demandan las conclusones a las cuales se llega después de obtener un modelo, resulta mprescndble evaluar la caldad del msmo. Para ello exsten numerosos métodos estadístcos basados prncpalmente en el análss de resduales, recuérdese que: Dado el modelo de Regresón Lneal:
2 y x x... x ( p1) ( p1) Para =1,,,n Se defne al error El ee vertcal de ésta gráfca es construdo a partr de la nversa acumulada de la normal estándar, razón por la que su valor varía entre 0 y 1. Véase Fgura. y E[ y ] donde E[ y ] x x... x p 1 ( p 1) Y a los resduales como los estmadores del error: e ˆ y y ˆ, yˆ b b x b x... b x p 1 ( p 1) Además se trabaa bao los supuestos de que: - La dstrbucón del error ε es normal con meda cero. - La varanza de ε es constante. - Los errores ε y ε para no están correlaconados. - Las varables de explcacón X y X para no están correlaconadas. No sólo el no cumplmento de los supuestos antes descrtos, puede afectar la caldad del modelo de regresón lneal sno tambén la nclusón de valores aberrantes o puntos de nfluenca. A contnuacón se descrben los métodos más usados para dentfcar este tpo de nadecuacones. Además se explca brevemente cómo aplcar éstos métodos en el Software estadístco de Regresón ERLA.. Normaldad Entre los métodos que permten verfcar s la dstrbucón del error es normal, se pueden menconar los métodos de bondad de auste y el gráfco de probabldad normal..1. Gráfco de Probabldad Normal 1,645 0,16 0,53 0,385 0,54 0,674 0,84 1,036 1,8 F -1 (α) 0,000-0,16-0,53 0,84 0,80 0,674 0,75 0,54 0,70 0,385 0,65 0,53 0,60 0,16 0,55 0 0,50-0,16 0,45-0,53 0,40-0,385 0,35-0,54 0,30-0,674 0,5-0,84 0,0-0,385-0,54-0,674-0,84-1,036-1,8 1,645 0,95 1,8 0,90 1,036 0,85-1,645 X -1,036 0,15-1,8 0,10-1,645 0,05 Fgura. Escala de Probabldad Normal Sean e [1], e [],, e [n] los resduales ordenados en forma ascendente. S se grafca e [] en funcón de la dstrbucón acumulada F(e [] )=(-0.5)/n, para =1,,,n en un gráfco de probabldad normal, los puntos deberían aproxmarse a una recta, s es que la dstrbucón de probabldad de los e [] es normal. 3. Homocedastcdad - Varanza Constante Una manera senclla de verfcar s la varanza del error ε es constante es realzando un gráfco de los resduales e contra los valores austados ŷ. S la varanza es constante se esperaría que los errores fluctúen alrededor del ee horzontal, y que puedan ubcarse en una banda; caso contraro puede ser que la varanza no sea constante Véase Fgura 3. α El Gráfco de Probabldad Normal es un gráfco dseñado para que al grafcarse la dstrbucón normal acumulada se bosquee una línea recta. Véase Fgura 1 Fgura 3. Resduales e vs. Valores austados ŷ Fgura 1. Gráfco de Probabldad Normal 4. Errores no correlaconados Otro de los supuestos que se realza en un análss de Regresón Lneal es que los errores no están
3 correlaconados, y; para verfcar que este supuesto se cumpla se pueden usar dos métodos: 4.1. Gráfco de los resduales vs. Secuenca u orden Al grafcar los resduales de manera ordenada en el tempo o espaco es posble detectar la presenca de correlacón entre los errores. S estos muestran algún tpo de patrón lneal o cíclco por eemplo, los errores podrían estar correlaconados caso contraro no lo están. Véase Fgura 4. n d e e 1 n e S la Hpótess Nula de la prueba es verdadera, la dstrbucón del estadístco d dependería de la matrz de dseño X y es desconocda. Sn embargo Durbn y Watson [1951] demostraron que d esta entre dos cotas d L y d U a través de las cuales se puede llegar a una conclusón respecto a la hpótess nula planteada: S d < d L, rechazar H 0 S d > d U, no rechazar H 0 S d L d d U, la prueba no es concluyente. Durbn y Watson tabularon los valores de los límtes d L y d U para varos tamaños de muestra, dversas cantdades de regresores o varables de explcacón y tres tasas de error tpo I (α=0.05, α=0.05, y α=0.01). G. S. Maddala en el año de 1996 pudo probar que d es un valor comprenddo entre 0 y 4. Véase Fgura 5. (a) Errores no correlaconados (b) Errores correlaconados Fgura 5. Regón de Rechazo de la Prueba de Durbn- Watson Así, s el valor del estadístco d es próxmo a, ρ=0; s se aproxma a 4, ρ<0 y s se aproxma a 0 ρ>0. 5. Multcolnealdad - Varables de explcacón no correlaconadas Fgura 4. Gráfco de resduales en el tempo 4.. Prueba Durbn-Watson La prueba de Durbn-Watson es utlzada en Seres de Tempo para detectar Correlacón Seral. Esta prueba se basa en la hpótess de que los errores del modelo de regresón se generan en un proceso autorregresvo de prmer orden, esto es: 1 donde es una varable aleatora N(0, ) y es el coefcente de correlacón. Ante esta stuacón Durbn y Watson plantearon la sguente prueba unlateral: H o : 0 vs. H 1 : 0 y determnaron la regón crítca de la prueba en base al estadístco: Cuando exste una relacón aproxmadamente lneal entre las varables de explcacón, es posble que los estmadores resultantes tengan varanzas muy grandes aunque sguen conservando la propedad de nsesgados, además se puede no rechazar la hpótess nula de que un parámetro es cero, aun cuando la correspondente varable sea relevante; y por últmo los coefcentes estmados serán muy sensbles a pequeños cambos en los datos. Una forma de detectar multcolnealdad es calculando la matrz de correlacón de las varables de explcacón y ver qué pares de varables tenen correlacón cercana a 1. Sn embargo exsten métodos más formales como el Factor de Agrandamento de la Varanza (FAV) y el Número de Condcón.
4 5.1. Factor de Agrandamento de la Varanza (FAV) S consderamos el modelo de regresón lneal múltple: Y X X... X ( p1) ( p1) para =1,,,n. Entonces se puede probar que la varanza del -ésmo coefcente de regresón estmado es: ˆ s ˆ n(1 R ) s para =1,,,p-1 y donde R es el coefcente de determnacón obtendo al hacer la regresón de X sobre el resto de las varables de explcacón del modelo, y s es la varanza muestral de la varable X. S la correlacón entre las varables de explcacón fuera nula, la fórmula para estmar la varanza del - ésmo coefcente de regresón se reducría a: ˆ s ˆ ns El FAV es la razón entre la varanza observada y la que habría sdo en caso de que no estuvera correlaconada con el resto de las varables de explcacón del modelo: 1 FAV 1 R Es decr que el FAV mde cuanto crece la varanza del -ésmo coefcente de regresón como consecuenca de que las varables estén altamente correlaconadas. Una varable de explcacón con un FAV entre 5 y 10 puede causar multcolnealdad. 5.. Número de condcón El número de condcón es la razón entre la raíz característca más grande ( ) y la raíz característca más pequeña ( mn ) de la matrz X T X, sendo X la matrz de dseño sn la columna de unos: ( max ) k( X ) ( ) Recuérdese que la matrz X T X es una matrz cuadrada y smétrca. El problema de la multcolnealdad es grave cuando el número de condcón toma un valor mayor que Entre las solucones que pueden darse a la multcolnealdad están: 1. Elmnar del modelo las varables que tenen una correlacón muy alta.. Incrementar el tamaño de la muestra max mn 3. Regresón Rdge 4. Componentes prncpales 5. Mínmos Cuadrados Parcales 6. Valores aberrantes o atípcos En todo análss estadístco resulta mportante detectar la presenca de valores aberrantes o atípcos, ya que éstos pueden afectar drástcamente a los estmadores, por ello exsten varos crteros para su dentfcacón basados en el análss de resduales. El Gráfco de los Resduales e en funcón de los valores austados y y el Gráfco de Probabldad ˆ Normal son tambén útles para detectar valores atípcos potencales Resduales Ya se habían defndo antes los resduales como: e ˆ y yˆ Además, se puede probar que: Ee ( ) 0 Var( e ) MCE Se consderan valores atípcos potencales, los resduales cuyo valor absoluto es mayor a tres desvacones estándar respecto de la meda. Se recomenda además analzar los resduales que se detallan a contnuacón Resduales Estandarzados. Ya que la varanza aproxmada del error se estma con la MCE, los resduales estandarzados serán: e d MCE Los resduales estandarzados tenen meda cero y varanza aproxmadamente untara. Un resdual estandarzado mayor que 3 ndca que la observacón -ésma es un valor atípco potencal Resduales Estudentzados. Sea H, la conocda Matrz Hat defnda como: T -1 T H = X(X X) X y h sus elementos; además sea e el vector de resduales, se puede probar que: Var() e = I - H Esto quere decr que: Var( e ) (1 h ) y Cov( e, e ) ( h ) Por tanto se defnen los resduales estudentzados dvdendo el -ésmo resdual entre su desvacón estándar exacta : e r MCE(1 h )
5 Los resduales estandarzados y estudentzados aportan con frecuenca nformacón equvalente. En conuntos grandes de datos los resduales estandarzados no serán muy dferentes de los estudentzados. Un resdual estudentzado r mayor que 3 ndca la presenca de un valor atípco potencal Resduales PRESS. Los resduales PRESS o resduales de predccón se defnen como la dferenca entre el valor observado y para 1,,..., n y el valor estmado de esta observacón basado en todas las observacones excepto esta -ésma: e y yˆ [ ] [ ] Es decr, se elmna la -ésma observacón y se austa el modelo de regresón a las n-1 observacones restantes, para estmar y. Se puede probar que exste una relacón entre los resduales PRESS y los resduales usuales: e e[] 1 h Una gran dferenca entre el resdual ordnaro y el resdual PRESS ndca un valor atípco potencal. 7. Puntos de Influenca Los Puntos de Influenca o valores nfluyentes son aquellos que tenen un mpacto notable sobre los coefcentes del modelo, por ello la mportanca de localzarlos. La mayoría de los textos llaman valores aberrantes a un valor aleado solamente en la dreccón vertcal y Punto de nfluenca a una observacón aleada en la dreccón horzontal. Véase Fgura 6. El punto A no afecta las estmacones de los coefcentes de regresón, mentras el punto B s tene un mpacto notable en la estmacón de estos coefcentes puesto que atrae a la recta de regresón en su dreccón. A contnuacón se presentan dos métodos para detectar puntos de nfluenca: 7.1. Apalancamento Sea H, la antes menconada Matrz Hat defnda como: T -1 T H = X(X X) X La varanza del vector de estmacones puede escrbrse como: ˆ Var( Y ) = H Los elementos h de la matrz H son una medda de lugar o ubcacón del -ésmo punto en el espaco de x, por lo tanto son vstos como la cantdad de balanceo o apalancamento de la -ésma observacón y sobre el -ésmo valor austado y. Por esta razón, los valores grandes en la dagonal de la matrz H ndcan observacones que son potencalmente nfluyentes, esto es; valores de h p / n lo cual no aplca para casos donde p/ n 1. ˆ 7.. Dstanca de Cook La dstanca de Cook mde el cambo que ocurrría en el vector de coefcentes estmado de regresón s la -ésma observacón fuera omtda. Esta dstanca se defne como: (a) (b) Fgura 6. Puntos de Influenca ( βˆ βˆ )' (ˆ ˆ [ ] [ ]) X'X β β CD pmce Dónde: βˆ es el vector de coefcentes estmado con el modelo completo β es el vector de coefcentes estmado sn la - ˆ [ ] ésma observacón X es la matrz de Dseño MCE es el estmador de σ p es el número de parámetros en el modelo Sea P el -ésmo punto para =1,,,n de p coordenadas. Dado el sguente contraste de Hpótess: H : 0 P no es un punto de nfluenca
6 vs. H : 1 P es un punto de nfluenca la caldad del modelo a través del botón Opcones. Véase Fgura 9. Con (1-α)100% de confanza se rechaza H 0 a favor de H 1 s el estadístco CD es mayor que F(, p, n p). 8. Software estadístco de Regresón ERLA ERLA es un software estadístco especalzado en la técnca de regresón lneal, desarrollado por estudantes del Insttuto de Cenca Matemátcas medante el uso del MCR (MATLAB Component Runtme) y VsualBasc.NET. A contnuacón se presenta cómo obtener un modelo de regresón lneal en ERLA, y cómo evaluar la caldad del msmo utlzando los métodos antes menconados. Fgura 8. Cuadro de Dálogo Regresón Lneal ERLA Fgura 7. Inco ERLA 8.1 Regresón Lneal en ERLA Para explcar cómo se realza un análss de Regresón Lneal en ERLA, se ha consderado, guardando la correspondente confdencaldad que la étca estadístca exge, una base de datos correspondente a un estudo realzado en la Escuela Superor Poltécnca del Ltoral por el Centro de Estudos e Investgacones Estadístcas, llamado Imagen de la ESPOL en Guayaqul. Este estudo presenta un total de 1 proposcones calfcadas en una escala del 1 al 10. Al obtener la matrz de correlacón de las proposcones, se encontró que P9 (Identfco a los estudantes de la ESPOL por su responsabldad) y P10 (Identfco a los estudantes de la ESPOL por su honestdad) están altamente correlaconadas. Para obtener el modelo de regresón que explque a P10 en térmnos de P9 se sgue la secuenca: Fgura 9. Cuadro de Dálogo Opcones de Regresón Lneal ERLA En el cuadro de dálogo Opcones se selecconan todos los ítems de Verfcacón de supuestos, Puntos de nfluenca y Valores aberrantes y Multcolnealdad. Los resultados se muestran en la Fgura Barra de menues Análss de datos Regresón Regresón lneal. Seleccone la varable a ser explcada y las varables de explcacón en el cuadro de dálogo Regresón Lneal (Véase Fgura 8), luego seleccone los ndcadores para evaluar Fgura 10. Modelo de Regresón Lneal obtendo en ERLA
7 Estos resultados son: 1. El modelo.. La potenca de explcacón del modelo (R y R Austado). 3. La desvacón estándar (s). 4. La tabla ANOVA con todos sus valores característcos: Fuentes de varacón (1era columna), grados de lbertad (G.L.), sumas y medas cuadrátcas (S.C. y M.C., respectvamente), el estadístco de prueba F (F) y el valor p (P). 5. La tabla de nferenca respecto a los parámetros betas. El valor del estmador (ESTIMADOR), el error estándar del estmador (E. E. ESTIMADOR), el estadístco de prueba t (T) y el valor p (P). 6. Los ntervalos de confanza para los parámetros betas utlzando un nvel de confanza del 95%. Se puede dstngur en los resultados de la tabla el límte nferor (INFERIOR) y el límte superor (SUPERIOR). Fgura 1. Gráfco de Resduales vs. Valores Austados Por otra parte los resultados que pueden obtenerse para evaluar la caldad del modelo: Normaldad del error. ERLA muestra el Gráfco de probabldad normal de los resduales: Fgura 13. Gráfco de los Resduales vs. Secuenca/Orden Fgura 14. Prueba de Durbn-Watson Fgura 11. Gráfco de Probabldad Normal Homocedastcdad. ERLA muestra el Gráfco de Resduales vs. Valores Austados. Véase Fgura Errores no correlaconados. ERLA muestra el Gráfco de los resduales en vs. secuenca/orden. Véase Fgura 13. Además presenta el estadístco de Durbn Watson para una prueba de dos colas con su respectvo valor p. Véase Fgura Multcolnealdad. ERLA presenta el Factor de agrandamento de la varanza (FAV) para cada una de las varables de explcacón ncludas en el modelo, y tambén el Número de Condcón. Véase Fguras 15 y 16. Fgura 15. Factor de Agrandamento de la Varanza
8 defntvamente hace que el modelo no sea del todo confable. 9.. Recomendacones Fgura 16. Número de Condcón Valores Aberrantes. ERLA presenta los valores aberrantes potencales en una tabla con sus correspondentes resduales. Véase Fgura Sempre debe verfcarse el cumplmento de los supuestos o premsas bao los cuales se trabaa en un análss de regresón, puesto que la caldad del modelo encontrado puede verse afectada y las conclusones fnales pueden ser erradas.. Se debe tener mucho cudado s quere elmnar valores aberrantes y puntos de nfluenca, ya que estos no sempre provenen de un error de medcón o dgtacón y en estos casos debe consderarse el uso de técncas robustas de estmacón que no sean tan sensbles a puntos nfluyentes como lo son los mínmos cuadrados. 10. Referencas Bblográfcas Fgura 17. Valores Aberrantes Puntos de Influenca. Para detectar puntos nfluyentes, ERLA presenta el vector de apalancamentos unto al vector que contene las dstancas de Cook como nuevas varables en la ventana de datos. Véase Fgura 18. [1] MONTGOMERY, D. (00), Introduccón al Análss de Regresón Lneal, Edtoral Contnental, Méxco-Méxco. [] SEBER, A. & LEE, A. (003), Lnear Regresson Analyss, (da Edcón), Edtoral Wley, New York U.S.A. [3] GUJARATI, D. (004), Econometría Básca, (4ta Edcón), Edtoral Mc Graw Hll, Méxco- Méxco. Fgura 18. Puntos de Influenca 9. Conclusones y recomendacones 9.1. Conclusones 1. El no cumplmento de los supuestos en un análss de regresón lneal hace que los estmadores de los coefcentes del modelo deen de ser efcentes, los ntervalos de confanza y las pruebas de hpótess basadas en las dstrbucones t y F dean de ser confables. El modelo se vuelve nestable, en el sentdo de que muestras dferentes pueden conducr a modelos dferentes. 3. La presenca de valores aberrantes y puntos de nfluenca en un modelo de regresón lneal pueden dsmnur la potenca de explcacón del modelo. 3. Para el caso del eemplo, está claro que el modelo no cumple el supuesto de normaldad del error, esto [4] MORILLAS, A. & DÍAZ, B. (007), El Problema de los Outlers Multvarantes en el Análss de Sectores Clave y Cluster Industral, Unversdad de Málaga, España. [5] ZURITA, G. (010), Probabldad y Estadístca: Fundamentos y Aplcacones, (da Edcón), Talleres Gráfcos ESPOL, Guayaqul-Ecuador. [6] ACUÑA FERNÁNDEZ, E. Dagnóstcos de Regresón, Unversdad de Puerto Rco, obtendo en agosto de 010 desde [7] ACUÑA FERNÁNDEZ, E. Multcolnealdad, Unversdad de Puerto Rco, obtendo en agosto de 010 desde [8] RAMIREZ, D. Autocorrelacón, obtendo en septembre de 010 desde fhttp://webdelprofesor.ula.ve/economa/dramrez/ MICRO/FORMATO_PDF/Materaleconometra/A utocorrelacon.pdf.
Inferencia en Regresión Lineal Simple
Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesRegresión Binomial Negativa
Regresón Bnomal Negatva Resumen El procedmento Regresón Bnomal Negatva está dseñado para ajustar un modelo de regresón en el cual la varable dependente Y consste de conteos. El modelo de regresón ajustado
Más detallesEspecialista en Estadística y Docencia Universitaria REGRESION LINEAL MULTIPLE
Especalsta en Estadístca y Docenca Unverstara REGRESION LINEAL MULTIPLE El modelo de regresón lneal múltple El modelo de regresón lneal múltple con p varables predctoras y basado en n observacones tomadas
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detallesTema 3: Procedimientos de Constrastación y Selección de Modelos
Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes
Más detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesEl subestimado problema de la confusión residual. Héctor Lamadrid-Figueroa; Alejandra Montoya; Gustavo Ángeles
El subestmado problema de la confusón resdual Héctor Lamadrd-Fgueroa; Alejandra Montoya; Gustavo Ángeles El objetvo de la estmacón del efecto Establecer s exste una relacón causal entre una exposcón y
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una muestra de observacones formadas por pares de varables: (x 1, y 1 ), (x, y ),.., (x n, y n ) A través de esta muestra, se desea estudar la relacón
Más detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
Más detallesPRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general). 3. En el modelo lneal general Y = X b + e, explcar la forma
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesTema 1: Estadística Descriptiva Unidimensional
Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde
Más detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más detallesTema 5: Incumplimiento de las Hipótesis sobre el Término de Perturbación
Tema 5: Incumplmento de las Hpótess sobre el Térmno de Perturbacón TEMA 5: INCMPLIMIENTO DE LAS HIPÓTESIS SOBRE EL TÉRMINO DE PERTRBACIÓN 5.) Introduccón 5.) El Modelo de Regresón Lneal Generalzado 5.3)
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesEJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales:
EJERCICIOS Tema 2: MODELO DE REGRESION LINEAL SIMPLE Ejercco 1.- Para el modelo de regresón smple sguente: Y = βx + ε =1,..., 100 se tenen las sguentes medas muestrales: ( P y ) /n =0.3065 ( P y 2 ) /n
Más detallesRegresión Logística. StatFolio Muestra: logistic.sgp
Regresón Logístca Resumen El procedmento de Regresón Logístca está dseñado para ajustarse a un modelo de regresón en el que la varable dependente Y caracterza un evento con sólo dos posbles resultados.
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesPoblación 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia
MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen
Más detallesTema 2: El modelo clásico de regresión
CURSO 010/011 Tema : El modelo clásco de regresón Aránzazu de Juan Fernández ECONOMETRÍA I ESQUEMA DEL TEMA Presentacón del modelo Hpótess del modelo Estmacón MCO Propedades algebracas de los estmadores
Más detallesCorrelación y regresión lineal simple
. Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan
Más detallesRiesgos Proporcionales de Cox
Resgos Proporconales de Cox Resumen El procedmento Resgos Proporconales de Cox esta dseñado para ajustar un modelo estadístco sem-parámetrco a los tempos de falla de una o mas varables predctoras. Los
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesFacultad de Ciencias Básicas
Facultad de Cencas Báscas ANÁLISIS GRÁFICO DE DATOS EXPERIMENTALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos expermentales. Establecer un crtero para el análss de grafcas
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesEL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza
EL ANÁLSS DE LA VARANZA (ANOVA). Estmacón de componentes de varanza Alca Maroto, Rcard Boqué Grupo de Qumometría y Cualmetría Unverstat Rovra Vrgl C/ Marcel.lí Domngo, s/n (Campus Sescelades) 43007-Tarragona
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesRegresión y Correlación Métodos numéricos
Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El
Más detallesIntroducción a la Física. Medidas y Errores
Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren
Más detallesAnálisis cuantitativo aplicado al Comercio Internacional y el Transporte
Máster de Comerco, Transporte y Comuncacones Internaconales Análss cuanttatvo aplcado al Comerco Internaconal y el Transporte Ramón úñez Sánchez Soraya Hdalgo Gallego Departamento de Economía Introduccón
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesLo que nos interesa en el análisis de varianza de una vía es extender el test t para dos muestras independientes, para comparar más de dos muestras.
Capítulo : Comparacón de varos tratamentos o grupos Muchas preguntas de nvestgacón en educacón, pscología, negocos, ndustra y cencas naturales tenen que ver con la comparacón de varos grupos o tratamentos.
Más detalles6 Impacto en el bienestar de los beneficiarios del PAAM
6 Impacto en el benestar de los benefcaros del PAAM Con el fn de evaluar el efecto del PAAM sobre sus benefcaros, se consderó como hpótess que el Programa ha nfludo en el mejoramento de la caldad de vda
Más detalles6 Heteroscedasticidad
6 Heteroscedastcdad Defncón casas de heteroscedastcdad Defncón: la varanza de la pertrbacón no es constante. Casas: a natraleza de la relacón entre las varables Ejemplo : relacón gasto-renta; Hogares con
Más detallesDISTRIBUCIONES BIDIMENSIONALES
Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón
Más detallesPronósticos. Humberto R. Álvarez A., Ph. D.
Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesEconometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico
Econometría de corte transversal Pablo Lavado Centro de Investgacón de la Unversdad del Pacífco Contendo Defncones báscas El contendo mínmo del curso Bblografía recomendada Aprendendo econometría Defncones
Más detallesENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 0 INSTITUTO NACIONAL DE ESTADÍSTICAS 03 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR CARRETERA.
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesEstadística con R. Modelo Probabilístico Lineal
Estadístca con R Modelo Probablístco Lneal Modelo Probablístco Lneal Forma de la funcón: Y b 0 +b 1 X +e Varable dependente, endógena o a explcar dcotómca : Y, S Y 0 e -b 0 - b 1 X con probabldad p. S
Más detallesGuía para el Trabajo Práctico N 5. Métodos Estadísticos en Hidrología
Guía para el Trabajo Práctco 5 Métodos Estadístcos en Hdrología er. PASO) Realzar el ajuste de la funcón de dstrbucón normal a una muestra de datos totales anuales de una varable (caudal, precptacón, etc.)
Más detallesGERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES
GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES PRONÓSTICOS PREDICCIÓN, PRONÓSTICO Y PROSPECTIVA Predccón: estmacón de un acontecmento futuro que
Más detallesMETODOLOGÍA MUESTRAL ENCUESTA LONGITUDINAL DE EMPRESAS AÑO CONTABLE 2009
METODOLOGÍA MUESTRAL ENCUESTA LONGITUDINAL DE EMPRESAS AÑO CONTABLE 009 INSTITUTO NACIONAL DE ESTADÍSTICAS Novembre / 0 DEPARTAMENTO DE INVESTIGACIÓN Y DESARROLLO Metodología Muestral Encuesta Longtudnal
Más detallesEXPERIMENTOS ANIDADOS O JERARQUICOS NESTED
EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED Exsten ocasones donde los nveles de un factor B son smlares pero no déntcos para dferentes nveles del factor A. Es decr, dferentes nveles del factor A ven nveles
Más detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
Más detallesEVALUACIÓN DEL COMPORTAMIENTO DE LOS ESTIMADORES DE LOS PARÁMETROS DE UN MODELO NO LINEAL MIXTO. UNA COMPARACIÓN DE MÉTODOS DE ESTIMACIÓN
Chapella, Lucana Garca, María del Carmen Rapell, Cecla Castellana, Noela Koegel, Llana Insttuto de Investgacones Teórcas y Aplcadas, de la Escuela de Estadístca EVALUACIÓN DEL COMPORTAMIENTO DE LOS ESTIMADORES
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesT. 9 El modelo de regresión lineal
1 T. 9 El modelo de regresón lneal 1. Conceptos báscos sobre el análss de regresón lneal. Ajuste de la recta de regresón 3. Bondad de ajuste del modelo de regresón Modelos predctvos o de regresón: la representacón
Más detallesIN540: Métodos Estadísticos para economía y gestión Profesores: Marcelo Henríquez, Felipe Avilés Auxiliares: José Miguel Carrasco
Departamento de Ingenería Industral Facultad de Cs. Físcas y Matemátcas Unversdad de Chle IN540: Métodos Estadístcos para economía y gestón Profesores: Marcelo Henríquez, Felpe Avlés Auxlares: José Mguel
Más detallesESTADÍSTICA. Definiciones
ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una
Más detallesHERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS DE DOS MUESTRAS: ANOVA (PARTE I)
HERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS DE DOS MUESTRAS: Módulo 13 APUNTES DE CLASE Profesor: Arturo Ruz-Falcó Rojas Madrd, Mayo 009 Pág. 1 Módulo 13. HERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesCAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES
CAÍTULO : VARIABLES ALEATORIAS SUS DISTRIBUCIONES En este capítulo el alumno debe abordar el conocmento de un mportante concepto el de VARIABLE ALEATORIA tpos de varables aleatoras cómo se dstrbue la funcón
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesTema 8: Heteroscedasticidad
Tema 8: Heteroscedastcdad Máxmo Camacho Máxmo Camacho Econometría I - ADE+D / - Tema 8 Heteroscedastcdad Bloque I: El modelo lneal clásco r Tema : Introduccón a la econometría r Tema : El modelo de regresón
Más detallesMª Dolores del Campo Maldonado. Tel: :
Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n
Más detallesMétodos cuantitativos de análisis gráfico
Métodos cuanttatvos de análss gráfco Método de cuadrados mínmos Regresón lneal Hemos enfatzado sobre la mportanca de las representacones gráfcas hemos vsto la utldad de las versones lnealzadas de los gráfcos
Más detallesLas hipótesis en las que vamos a basar el funcionamiento del Modelo Lineal General
CAPÍULO. EL MODELO LINEAL GENERAL. Introduccón. Hpótess del modelo Las hpótess en las que vamos a basar el funconamento del Modelo Lneal General son las sguentes. Suponemos que tenemos una muestra de valores
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesAnálisis de Resultados con Errores
Análss de Resultados con Errores Exsten dos tpos de errores en los expermentos Errores sstemátcos errores aleatoros. Los errores sstemátcos son, desde lejos, los más mportantes. Errores Sstemátcos: Exsten
Más detallesDiseño y Análisis de Experimentos en el SPSS 1
Dseño y Análss de Expermentos en el SPSS EJEMPLO. Los sguentes datos muestran las meddas de hemoglobna (gramos por 00 ml) en la sangre de 40 ejemplares de una espece de truchas marrones. Las truchas se
Más detallesESTADÍSTICA (GRUPO 12)
ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.
Más detallesRegresión Lineal Simple y Correlación
4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesUniversidad de Pamplona Facultad de Ciencias Básicas Física para ciencias de la vida y la salud
Unversdad de Pamplona Facultad de Cencas Báscas Físca para cencas de la vda y la salud AÁLISIS GRÁFICO DE DATOS EXPERIMETALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos
Más detallesCÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA
CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,
Más detallesModelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesEstadistica No Parametrica
Estadstca No Parametrca CLASE 3 Pruebas Basadas en la Dstrbucon Bnomal JAIME MOSQUERA RESTREPO Bnomal Test La prueba bnomal es quzás la prueba mas antgua encontrada en al lteratura. Se encuentra asocada
Más detallesAlgunas aplicaciones del test del signo
43 Algunas aplcacones del test del sgno Test de Mc emar para sgnfcacón de cambos: En realdad este test se estuda en detalle en Métodos no Paramétrcos II, en el contexto de las denomnadas Tablas de Contngenca.
Más detallesCada uno da lo que recibe, Y luego recibe lo que da, Nada es más simple, No hay otra norma: Nada se pierde, Todo se transforma.
Cada uno da lo que recbe, Y luego recbe lo que da, Nada es más smple, No hay otra norma: Nada se perde, Todo se transforma. Todo se transforma (Jorge Drexler, cantautor uruguayo) Estadístca Básca - Manuel
Más detallesRegresión y correlación simple 113
Regresón y correlacón smple 113 Captulo X ANALISIS DE REGRESION Y CORRELACION El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes
Más detallesANÁLISIS DE FRECUENCIAS
ANÁLII D FRCUNCIA XPRION PARA L CÁLCULO D LO VNO PARA L PRÍODO D RORNO Y D LO RPCIVO RROR ÁNDAR D IMACIÓN RQURIDO PARA LA DRMINACIÓN D LO INRVALO D CONFIANZA D LO IMADO D LO VALOR PRADO JULIAN DAVID ROJO
Más detallesTema 9. Análisis de Varianza de un factor. Análisis de la Varianza (ANOVA) Conceptos generales
Tema 9 Análss de la Varanza (ANOVA) Conceptos generales La técnca del Análss de la Varanza consste en descomponer la varabldad de una poblacón (representada por su varanza) en dversos sumandos según los
Más detallesCyRCE: Un modelo de Riesgo de Crédito para Mercados Emergentes.
CyRCE: Un modelo de Resgo de Crédto para Mercados Emergentes. Javer Márquez Dez-Canedo. DICIEMBRE 2004 Índce I. Introduccó cón II. CyRCE 1. El Modelo General 2. Segmentacón del Portafolo 3. Índce de Concentracón
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detalles1.Variables ficticias en el modelo de regresión: ejemplos.
J.M.Arranz y M.M. Zamora.Varables fctcas en el modelo de regresón: ejemplos. Las varables fctcas recogen los efectos dferencales que se producen en el comportamento de los agentes económcos debdo a dferentes
Más detallesESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL
ESTADÍSTICA BIDIMESIOAL ÍDICE GEERAL 1.-Varable Estadístca Bdmensonal. Tablas de frecuenca... 1.1.- Concepto de varable estadístca bdmensonal. Eemplos.... 1..-Tablas bdmensonales de frecuencas. Tablas
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesRegresión y correlación Tema 8. 1.1 Contraste sobre β 1.2 Regresión en formato ANOVA. 2. Correlación. Contraste sobre ρ xy
Unversdad Autónoma de Madrd 1 Regresón y correlacón Tema 8 1. Regresón lneal smple 1.1 Contraste sobre β 1. Regresón en formato ANOVA. Correlacón. Contraste sobre ρ xy Análss de Datos en Pscología II Tema
Más detallesCAPÍTULO 3 DIAGNÓSTICOS DE REGRESIÓN
CAPÍTULO 3 DIAGNÓSTICOS DE REGRESIÓN Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson 1 3.1 Outlers, puntos de leverage
Más detalles