ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso

Tamaño: px
Comenzar la demostración a partir de la página:

Download "ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso"

Transcripción

1 ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 3 - Septiembre Primera Parte - Test Las respuestas del TEST son las siguientes: Pregunta Respuesta C A D C B A Pregunta Respuesta C D A A C C CUESTIONES. La e cacia de un estimador insesgado ^ n de viene dada por A. (Sesgo(^ n )) 2 + var(^ n ) B. var(^ n ) C. =var(^ n ) Solución D. ECM(^ n ) 2. En el estudio de un diseño de experimentos con un factor se obtiene que el contraste de Levene es signi cativo. Por tanto A. Las varianzas de los residuos en cada nivel no son iguales. Solución B. Existe dependencia positiva en la serie de residuos. C. Se veri ca la hipótesis de homocedasticidad. D. Existe una relación lineal entre la variable respuesta y el tiempo. Debe introducirse el tiempo como regresora en el modelo. 3. Un diseño de experimentos equilibrado A. Es un diseño con factores sin interacción. B. Es un diseño sin factores bloque. C. Es un diseño con factores con interacción y replicados. D. Es un diseño en el que todos los tratamientos se han asignado a un número igual de unidades experimentales. Solución 4. El grá co de cajas de la variable respuesta de un diseño de experimentos con un factor frente a los niveles del factor es el siguiente. En cada nivel se tienen observaciones y de este grá co se deduce

2 A. El factor es signi cativo y se veri can las hipótesis. B. Se veri ca la hipótesis de normalidad pero falla la de homocedasticidad. C. Que el factor probablemente no sea signi cativo, no se observa el incumplimiento de alguna hipótesis. Solución D. Se veri ca la hipótesis de homocedasticidad pero falla la de normalidad. 5. Los residuos (e t ) de un diseño de experimentos según el orden de obtención (t) son los siguientes t e t t e t Haciendo los contrastes de rachas: número total de rachas (R) y número de rachas ascendentes y descendentes (T ) se obtiene A. T = 5; R = 7; existe dependencia negativa. B. T = 6; R = 5; existe dependencia positiva. Solución (Mediana de los residuos 25) C. T = 5; R = 7; existe independencia. D. T = 6; R = 5; existe independencia. 6. Utilizando los datos de la cuestión anterior y teniendo en cuenta que 2X t= e t = X2 t= e 2 t = X2 t= e 3 t = 7 48 y que el coe ciente de asimetría muestral (CA) tiene varianza 6=n: Se deduce que

3 A. CA = 52 y por tanto la distribución de los residuos es simétrica. Solución B. CA = 3 56 y por tanto la distribución de los residuos no es normal. C. CA = 52 y por tanto la distribución de los residuos es normal. D. CA = 23 y no se obtienen conclusiones acerca de la distribución de los residuos. CA = 7:48 2 q 28:24 2 = :52 ) CAS = q : = :949 ) simetr{a 7. Se quiere ajustar un diseño de experimentos con un factor jo y un factor aleatorio. Por tanto, se supone que A. Los efectos del factor aleatorio ( i ) son parámetros desconocidos. B. No existen diseños de experimentos con factores jos y aleatorios. C. Los efectos del factor aleatorio ( i ) son variables aleatorias de media cero y varianza desconocida. Solución D. Ninguna de las otras tres respuestas. 8. En un cuadrado latino con seis niveles en cada factor se ha obtenido que scr = X t e2 t = 2: Un intervalo de con anza al 95% para la varianza del modelo es A. (:52; 2:33) B. (:6; :35) C. (:2; 3:37) D. Ninguna de las otras tres respuestas. Solución scr 2 2 gl = 2 2 ) 2 2(:25) < 2 2 < 2 2(:975) 9:598 < 2 2 < 34:7 ) 2 34:7 < 2 < 2 9:598 :5853 < 2 < 2: El Teorema de Gauss Markov a rma que bajo determinadas hipótesis en un modelo de regresión lineal múltiple A. Los estimadores mínimo cuadráticos son los más e cientes dentro de la clase de los estimadores insesgados y lineales: Solución B. Los estimadores mínimo cuadráticos son los de menor ECM dentro de la clase de los estimadores de mínima varianza. C. Los estimadores mínimo cuadráticos son asintoticamente más e cientes que los de máxima verosimilitud. D. Los estimadores mínimo cuadráticos son los de menor varianza pero no necesariamente sesgados.. En un modelo de regresión lineal simple la varianza del estimador ^ A. Disminuye al disminuir la (V ar(^ )) : Solución B. Disminuye al aumentar la media de la regresora.

4 C. Disminuye al aumentar la varianza del modelo. D. Disminuye al disminuir el tamaño muestral.. Al ajustar un modelo de regresión lineal múltiple, se obtiene que el F IV () = 2 (Factor de Incremento de la Varianza de la regresora x ). Por tanto A. Existe una fuerte relación lineal entre la regresora x y la respuesta Y: B. La regresora x es signi cativa y debe estar en el modelo. C. Existe una fuerte relación lineal entre la regresora x y las otras regresoras. Solución D. La regresora x es orotogonal a las otras regresoras. 2. Al ajustar un modelo de regresión lineal múltiple con cuatro regresoras se obtiene el siguiente grá co matricial de dispersión de las regresoras. De este grá co se deduce: A. La existencia de observaciones in uyentes a priori. B. Que el modelo de regresión lineal es adecuado. C. La existencia de multicolinealidad. Solución D. No se observa ningún hecho destacable.

5 ESTADISTICA II, Ingeniería Informática, Problemas, 3 - Septiembre Problema. Se ha llevado a cabo un diseño de experimentos para estudiar la posible in uencia de la variable "Tipo de examen" en la "Nota nal" de una asignatura, controlando la in uencia del "Profesor" y del "Tiempo (en horas) de estudio semanales". Se consideran 3 profesores distintos (P, P2 y P2), 3 tipos de examen (E=Test, E2=Problemas y E3=Mixto) y 3 tiempos de dedicación semanales (T="Menos de 2 horas", T2="Entre 2 y 5 horas" y T3="Más de 5 horas"). Los resultados del experimento sobre 9 alumnos son los de la tabla adjunta (en cada casilla aparece el nivel del factor "Tiempo" y la nota nal correspondiente que sacó cada alumno para los niveles de los factores "Tipo de examen" y "Profesor" en su la y columna): Tipo de Examen (factor A) E E2 E3 Profesor (factor B) P P2 P3 T T2 T :5 T2 T3 T 7:5 8 4:5 T3 T T2 7 4:25 6:5 P.. Formular matemáticamente este diseño de experimentos e indicar las hipótesis que se hacen. Calcular las estimaciones de los efectos de los factores E, P y T. El modelo matemático es Y ij(k) = + i + j + k + " ij(k) ; con " ij(k) v. a. independientes N ; 2 : Para estimar los efectos de los factores E y P, calculamos: P P2 P3 y i b i = y i y E T T2 T :5 5:5 :528 E2 T2 T3 T 7:5 8 4:5 6:67 :642 E3 T3 T T2 7 4:25 6:5 5:92 :8 y :j 6:67 6:47 5:5 y = 6:28 b j = y :j y :39 :389 :528

6 Para el factor T, tenemos: y (k) b k = y (k) y 4:25 :778 7 :972 6:83 :82 P.2. Completar la tabla ANOVA e indicar qué efectos son signi cativos (nivel de signi cación 5%). Obtener los coe cientes de determinación. F. var. sc gl SCM F p-valor signi cativo? Factor E NO Factor P NO Factor T SÍ Residual Global Las sumas de cuadrados se han calculado de la siguiente manera: P sce = K K b 2 i = 3 : : :8 2 = 2: 972 i= P scp = K K b 2 j = 3 : : :528 2 = : 3472 j= P sct = K K b 2 k = 3 : : :82 2 = 4: 264 k= scr = scg (sce + scp + sct ) = :3472 Los coe cientes de determinación son: R 2 ("Examen") = 2:972 = :6 6 8:55 R 2 ("Profesor") = :3472 8:55 = :746 R 2 ("Tiempo") = 4:264 8:55 = :79 R 2 8:55 :3472 ("TOTAL") = = :9877 = :6 + :746 + :79 8:55

7 P.3. Teniendo en cuenta los resultados del apartado anterior, indicar qué modelo más simple sirve para explicar los datos. Completar la tabla ANOVA, indicando si los nuevos factores son signi cativos al 5%. Calcular los coe cientes de determinación. Como solamente es signi cativo el factor "Tiempo de estudio", se puede ajustar un diseño de una vía F. var. sc gl SCM F p-valor signi cativo? Factor T SÍ Residual Global El coe ciente de determinación es R 2 = 4:264 8:55 = :79 P.4. Ajustar los datos a un diseño cuya única vía sea el factor T, calcular las estimaciones de los efectos y calcular los grupos homogéneos, al 95%, según el método LSD. Reordenando los datos según el diseño de una vía tenemos El modelo matemático es T T2 T3 E 4 7 5:5 E2 4:5 7:5 8 E3 4:25 6:5 7 y i 4:25 7 6:83 y = 6:28 b i = y i y :778 :972 :82 Y ij = i + " ij = + i + " ij Para estudiar los grupos homogéneos, realizamos los siguientes contrastes: Contraste El valor crítico es H 2 : = 2 H 2 : 6= 2 Contraste 2 H 3 : = 3 H 3 : 6= 3 Contraste 3 H 23 : 2 = 3 H 23 : 2 6= 3 bs R y i y j r n i + nj t n I ) y i y j < bs R ) y i y j < :795 r n i + nj t 6(:975) r 3 + 2:4469 = :

8 Constraste : jy : y 2: j = j4:25 7j = 2: 75 : ) Se rechaza H 2 Constraste 2: jy : y 3: j = j4:25 6:83j = 2: 58 : ) Se rechaza H 3 Constraste 3: jy 2: y 3: j = j7 6:83j = :7 < : ) Se acepta H 23 Los grupos homogéneos son: T y (T2,T3). P.5. Calcular los residuos del modelo del apartado anterior. Hay alguno atípico? Teniendo en cuenta que by ij = b i = b + b i y que la estimación de la varianza residual es bs 2 R = :639 (y por tanto bs R = :795) entonces los residuos son: Factor T y ij by ij e ij = y ij by ij r ij = e ij bs R T 4 4:25 :25 :344 T 4:5 4:25 :25 :344 T 4:25 4:25 T2 7 7 T2 7:5 7 :5 :6289 T2 6:5 7 :5 :6289 T3 5:5 6:83 :33 :673 T3 8 6:83 :67 :468 T3 7 6:83 :67 :2 No hay datos atípicos.

9 ESTADISTICA II, Ingeniería Informática, Problemas, 3 - Septiembre Problema 2: En una red de comunicaciones se quiere estudiar la relación entre la variable respuesta Y ="velocidad de trasmisión" y dos regresoras X ="grosor del cable" y X 2 ="temperatura ambiente". Para ello se han hecho diferentes pruebas y se ha tomado una muestra de 5 observaciones. A partir de esta muestra se han obtenido los siguientes datos X t X = X t 5 9:2 2 9:2 78:26 27:5 2 27: :2 983:59 86: A A Y t P Y = 5 yi 2 = 663:2 NOTA: En todos los casos en que se pida estudiar la signi catividad de un contraste utilizar = 5 i= P.6. En un primer análisis se estudia la relación lineal simple entre la respuesta Y ="velocidad de trasmisión" y la regresora X ="grosor del cable". Calcular un intervalo de con anza al 95% para el coe ciente de regresión del modelo ( ) ^ = s Y s 2 = La recta de regresión estimada es 983:59 9:2 = :2 5 78:26 9: : 672 : 84 : 284 3: (: 84) 2 = : 9 7 = 3: 62 9 :3 78 ^ = y ^ x = : 284 3: 62 9 : 84 = 3: Cálculo del intervalo de con anza ^y=3: : 62 9 x V ar(^ ) = ^s2 R 23: 758 ns 2 = = : :3 78 (^ ) = p : = : Cálculo de la varianza residual del modelo X e 2 t = 663:2 (3: :2 + 3: :59) = 4: 4 ^s 2 R = 4: 4 48 = 23: 758

10 El intervalo de con anza al 95% es 2 3: 62 9 : t 48 (:975) = 3: 62 9 : :96 2 (: 79 4; 6: 26 4) El intervalo de con anza al 9% es 2 3: 62 9 : t 48 (:95) = 3: 62 9 : :66 2 (: 55 3; 5: 655 5) P.7. Utilizando el modelo anterior, calcular un intervalo de predicción al 95% para una observación cuyo grosor es x ;t = La predicción es El número de observaciones equivalentes es ^y(x ;t = ) = 3: : 62 9 = 7: n t = n + (x t x ) 2 s 2 = + 5 ( : 84)2 :3 78 = 6: 234 V ar(^y()) = ^s 2 R + nt = 23: = 25: 22 6: 234 El intervalo de predicción es (^y()) = p 25: 22 = 5: 22 ^y() 2 7: : 22 t 48 (:975) = 7: : 22 :96 ^y() 2 ( 2: 456; 7: 23) P.8. A continuación se ajusta un modelo con las dos regresoras se obtiene Contrastar la hipótesis H = 2 = ^y t = 3:68 + 3:73 grosor + :495 temp Es el denominado contraste conjunto de regresión de la F que se resuelve construyendo la siguiente tabla ANOVA scr = X e 2 t = 663:2 (3:68 54:2 + 3:73 983:59 + :495 86:) = 47: 83 scg = ns 2 Y = 5 663:2 5! 54:2 2 = 342: 5

11 : F. var. sc gl SCM F p-valor signi cativo? Modelo 94: : 5 89: 85 : SÍ Residual 47: : 45 3 ^s R = : Global 342: 49 27: 39 ^s Y = 5: Se RECHAZA claramente la hipótesis de NO in uencia del modelo.el contraste de regresión es signi cativo. P.9. cuánto mejora el coe ciente de determinación corregido por grados de libertad al pasar del modelo con una regresora (grosor) al modelo con dos regresoras (grosor y temperatura)? Interpretar este coe ciente en ambos casos. Con una regresora R 2 = ^s 2 R; ^s 2 Y = 23: : 39 = :32 6 ) R = p :32 6 = :364 4 Por tanto, la in uencia de la variable grosor es pequeña Con dos regresoras R 2 2 = ^s 2 R;2 ^s 2 Y = 3: : 39 ) R 2 = p :885 7 = :94 83 = :885 7 El modelo con las dos variables explica claramente el comportamiento de la respuesta. El incremento en el R 2 al cambiar de modelo es muy fuerte R 2 = R 2 2 R 2 = :885 7 :32 6 = : P.. De la primera observación muestral se tiene la siguiente información y = :5 x = 2 x 2 = 4 DF IT S = :2 Estudiar si la observación es in uyente y/o atípico. Será de utilidad el siguiente dato X t X 229: 5 6: : 8 = 6: 6 4:39 :9 27 : 8 :9 27 :2 46 A Residuo ordinario e = y ^y = :5 (3:68 + 3: :495 ( 4)) = :5 9: 6 = : 34

12 In uencia h = : 5 6: : 8 6: 6 4:39 :9 27 : 8 :9 27 : A = :22434 Residuo tipi cado V ar(e ) = ^s 2 R ( h ) = 3: 45 3( :22434) = 3: 74 7 ) (e ) = p 3: 74 7 = : La observación no es atípica r = e : 34 = = :764 9 (e ) : "In uencia a priori" E(h i ) = k + n = 3 5 = :6 h = :22434 < 2 E(h i ) = :2 La observación no es in uyente a priori "In uencia a posteriori" DF IT S = :2 < 2 La observación no es in uyente a posteriori r k r 2 n = 2 5 = :4

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 26 - Junio - 2.8 Primera Parte - Test Nota : En la realización de este examen sólo esta permitido utilizar calculadoras que, a lo sumo, tengan funciones

Más detalles

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 11 - Junio - 2.010 SOLUCIONES Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras que,

Más detalles

Prácticas y problemas de diseño de experimentos.

Prácticas y problemas de diseño de experimentos. Capítulo 1 Prácticas y problemas de diseño de experimentos. 1.1. Problemas de diseño de experimentos con ordenador. Problema 3.1. Datos apareados. El Ministerio de Trabajo desea saber si un plan de seguridad

Más detalles

DIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009

DIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009 Índice general 6. Regresión Múltiple 3 6.1. Descomposición de la variabilidad y contrastes de hipótesis................. 4 6.2. Coeficiente de determinación.................................. 5 6.3. Hipótesis

Más detalles

Prácticas y problemas de regresión lineal simple.

Prácticas y problemas de regresión lineal simple. Capítulo 1 Prácticas y problemas de regresión lineal simple. 1.1. Problemas de regresión lineal simple con ordenador. Problema 4.1. Los datos de la tabla adjunta proporcionan la distancia en línea recta

Más detalles

Detergente Lavad.1 Lavad.2 Lavad.3 Media A 45 43 51 46.3 B 47 44 52 47.6 C 50 49 57 52 D 42 37 49 42.6. Media 46 43.2 52.2 47.16

Detergente Lavad.1 Lavad.2 Lavad.3 Media A 45 43 51 46.3 B 47 44 52 47.6 C 50 49 57 52 D 42 37 49 42.6. Media 46 43.2 52.2 47.16 3. DISEÑO EN BLOQUES ALEATORIZADOS En muchos experimentos además de que interesa investigar la influencia de un factor controlado sobre la variable de respuesta, como en la sección anterior, existe una

Más detalles

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 21 - Junio - 2.004 Primera Parte Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras que,

Más detalles

REGRESION simple. Correlación Lineal:

REGRESION simple. Correlación Lineal: REGRESION simple Correlación Lineal: Dadas dos variable numéricas continuas X e Y, decimos que están correlacionadas si entre ambas variables hay cierta relación, de modo que puede predecirse (aproximadamente)

Más detalles

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso Septiembre Primera Parte

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso Septiembre Primera Parte ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 13 - Septiembre - 2.004 Primera Parte Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras

Más detalles

Tema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11

Tema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11 Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales

Más detalles

CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO

CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO Estadística Superior CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO 1 1. REGRESIÓN LINEAL SIMPLE Y MÚLTIPLE 1.1. Regresión lineal simple 1.2. Estimación y predicción por intervalo en regresión lineal

Más detalles

Trabajo de Matemáticas y Estadística Aplicadas

Trabajo de Matemáticas y Estadística Aplicadas Licenciatura en Ciencia Ambientales Matemáticas y Estadística aplicada Prof. Susana Martín Fernández POLITÉCNICA Trabajo de Matemáticas y Estadística Aplicadas GUIÓN 1: Estadística descriptiva Tipo 1 1-

Más detalles

CORRELACIÓN Y PREDICIÓN

CORRELACIÓN Y PREDICIÓN CORRELACIÓN Y PREDICIÓN 1. Introducción 2. Curvas de regresión 3. Concepto de correlación 4. Regresión lineal 5. Regresión múltiple INTRODUCCIÓN: Muy a menudo se encuentra en la práctica que existe una

Más detalles

Diseño Estadístico de Experimentos

Diseño Estadístico de Experimentos Capítulo 3 Diseño Estadístico de Experimentos Una prueba o serie de pruebas en las cuales se introducen cambios deliberados en las variables de entrada que forman el proceso, de manera que sea posible

Más detalles

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 22 - Diciembre - 2.006 Primera Parte - Test Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras

Más detalles

Tema IV. EL ANOVA de un factor

Tema IV. EL ANOVA de un factor 4.1. La estrategia del Análisis de varianza: - Los test t múltiples (múltiples tratamientos); corrección a posteriori - La mejora del ANOVA: necesidad de análisis a posteriori C Test t A versus B A versus

Más detalles

Tema 12: Contrastes Paramétricos

Tema 12: Contrastes Paramétricos Tema 1 Tema 1: Contrastes Paramétricos Presentación y Objetivos. Se comienza este tema introduciendo la terminología y conceptos característicos de los contrastes de hipótesis, típicamente a través de

Más detalles

Programa de Statgraphics. TITULO: Aplicaciones del Análisis de la Varianza. Resolución de dos Ejercicios propuestos paso por paso.

Programa de Statgraphics. TITULO: Aplicaciones del Análisis de la Varianza. Resolución de dos Ejercicios propuestos paso por paso. Programa de Statgraphics TITULO: Aplicaciones del Análisis de la Varianza. Resolución de dos Ejercicios propuestos paso por paso. AUTOR: JUAN VICENTE GONZÁLEZ OVANDO ANALISIS Y CALCULOS A) Planteamos los

Más detalles

ANÁLISIS DE LA VARIANZA (ANOVA) José Vicéns Otero Ainhoa Herrarte Sánchez Eva Medina Moral

ANÁLISIS DE LA VARIANZA (ANOVA) José Vicéns Otero Ainhoa Herrarte Sánchez Eva Medina Moral ANÁLISIS DE LA VARIANZA (ANOVA) José Vicéns Otero Ainhoa Herrarte Sánchez Eva Medina Moral Enero 2005 1.- INTRODUCCIÓN En múltiples ocasiones el analista o investigador se enfrenta al problema de determinar

Más detalles

TEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística

TEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística TEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística 1 TAMAÑO DEL EFECTO 2 TAMAÑO DEL EFECTO vel tamaño del efecto es el nombre dado a una familia de índices que miden la magnitud

Más detalles

Hay diferencias en la media del HOMA entre los diabéticos y los no diabéticos? Resumen del procesamiento de los casos

Hay diferencias en la media del HOMA entre los diabéticos y los no diabéticos? Resumen del procesamiento de los casos Test de hipótesis t de Student Hay diferencias en la media del HOMA entre los diabéticos y los no diabéticos? Resumen del procesamiento de los casos HOMA Casos Válidos Perdidos Total N Porcentaje N Porcentaje

Más detalles

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD

Más detalles

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. puntual y por intervalo ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio

Más detalles

Diseños en cuadrados greco-latinos

Diseños en cuadrados greco-latinos Capítulo 8 Diseños en cuadrados greco-latinos 8.1. Introducción El modelo en cuadrado greco-latino se puede considerar como una extensión del cuadrado latino en el que se incluye una tercera variable de

Más detalles

GUIÓN TEMA 4. VARIABLES BINARIAS 4.1. Variables binarias

GUIÓN TEMA 4. VARIABLES BINARIAS 4.1. Variables binarias ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 2011/12 GUIÓN TEMA 4. VARIABLES BINARIAS 4.1. Variables binarias Bibliografía apartados : Greene, 8.2 A.F.Gallastegui:

Más detalles

Estadística; 3º CC. AA. Examen final, 4 de septiembre de 2009

Estadística; 3º CC. AA. Examen final, 4 de septiembre de 2009 Estadística; 3º CC. AA. Examen final, 4 de septiembre de 2009 Apellidos Nombre: Grupo: DNI. (5 puntos) Se observa la variable Porcentaje de masa boscosa perdida anualmente en 0 provincias elegidas al azar

Más detalles

Tema 3. Comparaciones de dos poblaciones

Tema 3. Comparaciones de dos poblaciones Tema 3. Comparaciones de dos poblaciones Contenidos Hipótesis para la diferencia entre las medias de dos poblaciones: muestras pareadas Hipótesis para la diferencia entre las medias de dos poblaciones:

Más detalles

ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS

ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS 1) INTRODUCCIÓN El análisis de varianza es una técnica que se puede utilizar para decidir si las medias de dos o más poblaciones son iguales. La prueba se

Más detalles

Capítulo 7: Distribuciones muestrales

Capítulo 7: Distribuciones muestrales Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.

Más detalles

Inferencia Estadística

Inferencia Estadística EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre

Más detalles

SPSS: ANOVA de un Factor

SPSS: ANOVA de un Factor SPSS: ANOVA de un Factor El análisis de varianza (ANOVA) de un factor nos sirve para comparar varios grupos en una variable cuantitativa. Esta prueba es una generalización del contraste de igualdad de

Más detalles

UNIVERSIDAD AUTÓNOMA DE MADRID DPTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I HOJA 2. Problemas

UNIVERSIDAD AUTÓNOMA DE MADRID DPTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I HOJA 2. Problemas UNIVERSIDAD AUTÓNOMA DE MADRID DPTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I HOJA 2 Problemas 1. Supongamos que se dispone de una muestra de n = 5 individuos, con la que se quiere estudiar

Más detalles

UNIVERSIDAD AUTÓNOMA DE MADRID DEPARTAMENTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I. Hoja de Problemas 3 Problemas

UNIVERSIDAD AUTÓNOMA DE MADRID DEPARTAMENTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I. Hoja de Problemas 3 Problemas UNIVERSIDAD AUTÓNOMA DE MADRID DEPARTAMENTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I Hoja de Problemas 3 Problemas 1. Considera el modelo de regresión con un solo regresor Y i = 0 + 1 X i

Más detalles

EXPERIMENTACIÓN. Eduardo Jiménez Marqués

EXPERIMENTACIÓN. Eduardo Jiménez Marqués EXPERIMENTACIÓN Eduardo Jiménez Marqués 1 CONTENIDO: 1. Experimentación...3 1.1 Concepto...3 1. Definición...4 1.3 Dificultad...4 1.4 Ventaja...5 1.5 Planificación...5 1.6 Aplicaciones...5 1.7 Metodología...6

Más detalles

Tema 2: Estimación puntual

Tema 2: Estimación puntual Tema 2: Estimación puntual 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: estimador y estimación Insesgadez

Más detalles

-Género: no nos ha quedado claro cómo influye este parámetro en el gasto en ocio, si positiva o negativamente.

-Género: no nos ha quedado claro cómo influye este parámetro en el gasto en ocio, si positiva o negativamente. INTRODUCCIÓN En este trabajo estudiamos el gasto en ocio de la población, escogiendo una muestra al azar. Realizando encuestas hemos recogido información de 125 personas, las variables que hemos visto

Más detalles

Nombre...Apellidos... Grado en:...grupo:...

Nombre...Apellidos... Grado en:...grupo:... ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA - Soluciones Estadística- Curso 01/1. 9 de Julio de 01 Nombre...Apellidos... Grado en:...grupo:... 1. Considera la variable aleatoria (v.a.) X cuyos posibles

Más detalles

IX.- ANÁLISIS DE VARIANZA

IX.- ANÁLISIS DE VARIANZA IX- ANÁLISIS DE VARIANZA Las técnicas de Diseño Experimental basadas en la estadística son particularmente útiles en el mundo de la Ingeniería en lo que corresponde a la mejora del rendimiento de los procesos

Más detalles

Programación General Anual Curso 2011/12 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II ÍNDICE

Programación General Anual Curso 2011/12 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II ÍNDICE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II ÍNDICE ÍNDICE...1 CONTENIDOS... 2 CRITERIOS DE EVALUACIÓN... 4 TEMPORALIZACIÓN... 5 METODOLOGÍA DIDÁCTICA... 6 PROCEDIMIENTOS DE EVALUACIÓN... 7 ACTIVIDADES

Más detalles

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD.

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD. Experimentos con un solo factor: El análisis de varianza Jhon Jairo Padilla Aguilar, PhD. Experimentación en sistemas aleatorios: Factores Controlables Entradas proceso Salidas Factores No controlables

Más detalles

Prácticas y problemas de regresión lineal múltiple.

Prácticas y problemas de regresión lineal múltiple. Capítulo Prácticas y problemas de regresión lineal múltiple... Problemas de regresión lineal múltiple con ordenador. Problema 5.. El chero problema-5- contiene datos relativos a variables de coches. Se

Más detalles

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL Objetivo terminal: Calcular e interpretar medidas de tendencia central para un conjunto de datos estadísticos. Objetivos específicos: 1. Mencionar las características

Más detalles

Grado en Finanzas y Contabilidad

Grado en Finanzas y Contabilidad Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 5.2 Estimadores de Variables Instrumentales La endogeneidad aparece

Más detalles

Covarianza y coeficiente de correlación

Covarianza y coeficiente de correlación Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también

Más detalles

Prácticasyproblemasdediseño de experimentos de una vía.

Prácticasyproblemasdediseño de experimentos de una vía. Práctica 2 Prácticasyproblemasdediseño de experimentos de una vía. 2.1 Problemas de diseño de experimentos de una vía con ordenador. Problema 2.1. Una fábrica de herramientas desea comprobar si la resistencia

Más detalles

1 Introducción al SPSS

1 Introducción al SPSS Breve guión para las prácticas con SPSS 1 Introducción al SPSS El programa SPSS está organizado en dos bloques: el editor de datos y el visor de resultados. En la barra de menú (arriba de la pantalla)

Más detalles

T.3 ESTIMACIÓN PUNTUAL

T.3 ESTIMACIÓN PUNTUAL T.3 ESTIMACIÓN PUNTUAL 1. INTRODUCCIÓN: ESTIMACIÓN Y ESTIMADOR 2. PROPIEDADES DE LOS ESTIMADORES 3. MÉTODOS DE ESTIMACIÓN. EJEMPLO 1, EJEMPLO 2 1. Introducción: Estimación y Estimador En este tema se analizan

Más detalles

FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS SÍLABO 2013-II

FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS SÍLABO 2013-II FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS SÍLABO 2013-II Asignatura: Código: ESTADÍSTICA II 1. DATOS GENERALES 1.1. Departamento Académico Ingeniería Industrial 1.2. Escuela profesional Ingeniería

Más detalles

TEMA 4: Variables binarias

TEMA 4: Variables binarias TEMA 4: Variables binarias Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 4: Variables binarias Curso 2011-12 1 / 51 Variables

Más detalles

SEMINARIOS. (Problemas de exámenes de años anteriores) Estadística. 1º Grado en Informática

SEMINARIOS. (Problemas de exámenes de años anteriores) Estadística. 1º Grado en Informática SEMINARIOS (Problemas de exámenes de años anteriores) Estadística. 1º Grado en Informática Seminario de Estadística Descriptiva Unidimensional y Bidimensional 1. Se ha realizado un control de calidad en

Más detalles

todas especialidades Soluciones de las hojas de problemas

todas especialidades Soluciones de las hojas de problemas Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Ingeniería Técnica Industrial Métodos estadísticos de la ingeniería Métodos estadísticos de la ingeniería Ingeniería Técnica

Más detalles

Diseños en cuadrados latinos

Diseños en cuadrados latinos Capítulo 7 Diseños en cuadrados latinos 7.1. Introducción En el modelo en bloques aleatorizados, que estudiamos en el capítulo anterior, considerábamos un factor principal y un factor de control o variable

Más detalles

Tema 10. Estimación Puntual.

Tema 10. Estimación Puntual. Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener

Más detalles

1 Ejemplo de análisis descriptivo de un conjunto de datos

1 Ejemplo de análisis descriptivo de un conjunto de datos 1 Ejemplo de análisis descriptivo de un conjunto de datos 1.1 Introducción En este ejemplo se analiza un conjunto de datos utilizando herramientas de estadística descriptiva. El objetivo es repasar algunos

Más detalles

Comparación de medias

Comparación de medias 12 Comparación de medias Irene Moral Peláez 12.1. Introducción Cuando se desea comprobar si los valores de una característica que es posible cuantificar (como podría ser la edad o la cifra de tensión arterial,

Más detalles

ANÁLISIS DE DATOS NO NUMERICOS

ANÁLISIS DE DATOS NO NUMERICOS ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas

Más detalles

Resolución del examen de Selectividad de Matemáticas Aplicadas a las Ciencias Sociales II Andalucía Junio de 2009

Resolución del examen de Selectividad de Matemáticas Aplicadas a las Ciencias Sociales II Andalucía Junio de 2009 Resolución del eamen de Selectividad de Matemáticas Aplicadas a las Ciencias Sociales II Andalucía Junio de 2009 Antonio Francisco Roldán López de Hierro * de junio de 2009 Opción A Ejercicio Sea la igualdad

Más detalles

Empresarial y Financiero

Empresarial y Financiero Curso de Excel Empresarial y Financiero SESIÓN : REGRESIÓN Rosa Rodríguez Relación con el Mercado Descargue de yahoo.com los Datos de precio ajustado de cierre de las acciones de General Electric (GE),

Más detalles

Tema 1: Test de Distribuciones de Probabilidad

Tema 1: Test de Distribuciones de Probabilidad Tema 1: Test de Distribuciones de Probabilidad 1.- Una compañía de seguros tiene 1000 asegurados en el ramo de accidentes. Si la el modelo mejor para el número de siniestros en un año es: a) Normal (5;,3).

Más detalles

Prof. Dr. José Perea Dpto. Producción Animal ANÁLISIS DE EXPERIMENTOS

Prof. Dr. José Perea Dpto. Producción Animal ANÁLISIS DE EXPERIMENTOS Prof. Dr. José Perea Dpto. Producción Animal ANÁLISIS DE EXPERIMENTOS ANÁLISIS DE EXPERIMENTOS 1. Introducción 2. Comparación de dos medias 3. Comparación de más de dos medias 4. Pruebas post-hoc 5. ANCOVA

Más detalles

Tema 7: Modelos de diseños de experimentos

Tema 7: Modelos de diseños de experimentos Tema 7: Modelos de diseños de experimentos Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 7: Modelos de diseños de experimentos Curso

Más detalles

MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II

MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II 2º BACHILLERATO (Modalidad: Humanidades y Ciencias Sociales) Desarrollado en Decreto 67/2008, de 19 de junio. B.O.C.M.: 27 de junio de 2008. PROGRAMACIÓN

Más detalles

DISEÑO DE BLOQUES COMPLETOS AL AZAR : DBCA

DISEÑO DE BLOQUES COMPLETOS AL AZAR : DBCA DISEÑO DE BLOQUES COMPLETOS AL AZAR : DBCA Conocido como diseño de doble vía, se aplica cuando el material es heterogéneo. las unidades experimentales homogéneas se agrupan formando grupos homogéneos llamados

Más detalles

Problemas de Probabilidad resueltos.

Problemas de Probabilidad resueltos. Problemas de Probabilidad resueltos. Problema 1 El profesor Pérez olvida poner su despertador 3 de cada 10 dias. Además, ha comprobado que uno de cada 10 dias en los que pone el despertador acaba no levandandose

Más detalles

Los modelos que permite construir el ANOVA pueden ser reducidos a la siguiente forma:

Los modelos que permite construir el ANOVA pueden ser reducidos a la siguiente forma: Ignacio Martín Tamayo 25 Tema: ANÁLISIS DE VARIANZA CON SPSS 8.0 ÍNDICE --------------------------------------------------------- 1. Modelos de ANOVA 2. ANOVA unifactorial entregrupos 3. ANOVA multifactorial

Más detalles

Capítulo 15. Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante

Capítulo 15. Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante Capítulo 15 Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante Los modelos factoriales de análisis de varianza (factorial = más de un factor) sirven para evaluar el efecto

Más detalles

- se puede formular de la siguiente forma:

- se puede formular de la siguiente forma: Multicolinealidad 1 Planteamiento Una de las hipótesis del modelo de regresión lineal múltiple establece que no existe relación lineal exacta entre los regresores, o, en otras palabras, establece que no

Más detalles

15 ESTADÍSTICA BIDIMENSIONAL

15 ESTADÍSTICA BIDIMENSIONAL ESTADÍSTICA BIDIMENSINAL EJERCICIS PRPUESTS. Copia y completa la siguiente tabla. A B C Total A B C Total a 4 b c 0 7 Total 7 6 a 4 b c 4 3 0 7 Total 7 6 3 6 a) Qué porcentaje de datos presentan la característica

Más detalles

6 Sexta. 6.1 Parte básica. Unidad Didáctica "REGRESIÓN Y CORRELACIÓN"

6 Sexta. 6.1 Parte básica. Unidad Didáctica REGRESIÓN Y CORRELACIÓN 352 6 Sexta Unidad Didáctica "REGRESIÓN Y CORRELACIÓN" 6.1 Parte básica 353 6.1.1 Introducción Regresión es una palabra un tanto rara. La utilizan los biólogos, los médicos, los psicólogos... y suena como

Más detalles

Asignatura: Econometría. Conceptos MUY Básicos de Estadística

Asignatura: Econometría. Conceptos MUY Básicos de Estadística Asignatura: Econometría Conceptos MUY Básicos de Estadística Ejemplo: encuesta alumnos matriculados en la UMH Estudio: Estamos interesados en conocer el nivel de renta y otras características de los estudiantes

Más detalles

Diseños en bloques aleatorizados

Diseños en bloques aleatorizados Capítulo 5 Diseños en bloques aleatorizados 5.1. ntroducción En las situaciones que hemos estudiado en el Capítulo 1 hemos supuesto que existe bastante homogéneidad entre las unidades experimentales, así,

Más detalles

3. ANÁLISIS ESTADÍSTICOS DE LAS PRECIPITACIONES EN EL MAR CASPIO

3. ANÁLISIS ESTADÍSTICOS DE LAS PRECIPITACIONES EN EL MAR CASPIO Análisis estadístico 31 3. ANÁLII ETADÍTICO DE LA PRECIPITACIONE EN EL MAR CAPIO 3.1. ANÁLII Y MÉTODO ETADÍTICO UTILIZADO 3.1.1. Introducción Una vez analizado el balance de masas que afecta al mar Caspio

Más detalles

Inferencia Estadística

Inferencia Estadística Felipe José Bravo Márquez 11 de noviembre de 2013 Para realizar conclusiones sobre una población, generalmente no es factible reunir todos los datos de ésta. Debemos realizar conclusiones razonables respecto

Más detalles

Precio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales.

Precio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales. Series Temporales Introducción Una serie temporal se define como una colección de observaciones de una variable recogidas secuencialmente en el tiempo. Estas observaciones se suelen recoger en instantes

Más detalles

8. Estimación puntual

8. Estimación puntual 8. Estimación puntual Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 8. Estimación puntual Curso 2009-2010 1 / 30 Contenidos 1 Introducción 2 Construcción de estimadores

Más detalles

Puedes descargar este examen en pdf desde esta dirección (busca el enlace Dropbox en la parte inferior de la página):

Puedes descargar este examen en pdf desde esta dirección (busca el enlace Dropbox en la parte inferior de la página): Univ. de Alcalá. Estadística 2014-15 Dpto. de Física y Matemáticas Grado en Biología. Examen final. Miércoles, 21 de Enero de 2015. Apellidos: Nombre: INSTRUCCIONES (LEER ATENTAMENTE). Puedes descargar

Más detalles

Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Práctica 6: Regresión Logística I

Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Práctica 6: Regresión Logística I Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Índice 1. Objetivos de la práctica 2 2. Estimación de un modelo de regresión logística con SPSS 2 2.1. Ajuste de un modelo de regresión logística.............................

Más detalles

Análisis de la Varianza (ANOVA) de un factor y test a posteriori.

Análisis de la Varianza (ANOVA) de un factor y test a posteriori. Análisis de la Varianza (ANOVA) de un factor y test a posteriori. Ejercicios Temas 8 y 9 (Resuelto) 1. Problema 5 Se quiere estudiar el efecto de distintas dosis de un medicamento para combatir a los parásitos

Más detalles

Modelos estadísticos aplicados en administración de negocios que generan ventajas competitivas

Modelos estadísticos aplicados en administración de negocios que generan ventajas competitivas Modelos estadísticos aplicados en administración de negocios que generan ventajas competitivas Videoconferencias semana de estadística Universidad Latina, Campus Heredia Costa Rica Universidad del Valle

Más detalles

UNED. DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA 8] Análisis de Regresión Lineal Simple y Múltiple

UNED. DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA 8] Análisis de Regresión Lineal Simple y Múltiple 011 UNED DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA 8] Análisis de Regresión Lineal Simple y Múltiple 1 Índice 8.1 Introducción... 3 8. Objetivos... 4 8.3 Análisis de Regresión Simple... 4 8.3.1

Más detalles

Los valores de las respuesta son las puntuaciones que, de cada individuo, o cluster, obtenemos semanalmente durante cinco semanas consecutivas:

Los valores de las respuesta son las puntuaciones que, de cada individuo, o cluster, obtenemos semanalmente durante cinco semanas consecutivas: Sobre los modelos lineales mixtos Ejemplo: Recuperación de infarto. Para estudiar las diferencias entre dos procedimientos diferentes de recuperación de pacientes de un infarto, se consideraron dos grupos

Más detalles

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión... Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación

Más detalles

Tema 3: El modelo de regresión lineal múltiple

Tema 3: El modelo de regresión lineal múltiple Econometría 1 curso 2009-2010 Tema 3: El modelo de regresión lineal múltiple Genaro Sucarrat (Departamento de Economía, UC3M) http://www.eco.uc3m.es/sucarrat/ Recordamos: El modelo de regresión lineal

Más detalles

Otras medidas descriptivas usuales

Otras medidas descriptivas usuales Tema 7 Otras medidas descriptivas usuales Contenido 7.1. Introducción............................. 1 7.2. Medidas robustas.......................... 2 7.2.1. Media recortada....................... 2 7.2.2.

Más detalles

Curso de Estadística no-paramétrica

Curso de Estadística no-paramétrica Curso de Estadística no-paramétrica Sesión 1: Introducción Inferencia no Paramétrica David Conesa Grup d Estadística espacial i Temporal Departament d Estadística en Epidemiologia i Medi Ambient i Investigació

Más detalles

Análisis de la Varianza de un Factor

Análisis de la Varianza de un Factor Práctica de Estadística con Statgraphics Análisis de la Varianza de un Factor Fundamentos teóricos El Análisis de la Varianza con un Factor es una técnica estadística de contraste de hipótesis, cuyo propósito

Más detalles

x 10000 y 8000 x + y 15000 a) La región factible asociada a las restricciones anteriores es la siguiente: Pedro Castro Ortega lasmatematicas.

x 10000 y 8000 x + y 15000 a) La región factible asociada a las restricciones anteriores es la siguiente: Pedro Castro Ortega lasmatematicas. Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Septiembre 2012 - Propuesta A 1. Queremos realizar una inversión en dos tipos

Más detalles

ANÁLISIS DE CORRELACIÓN EMPLEANDO EXCEL Y GRAPH

ANÁLISIS DE CORRELACIÓN EMPLEANDO EXCEL Y GRAPH ANÁLISIS DE CORRELACIÓN EMPLEANDO EXCEL Y GRAPH Cuando se estudian en forma conjunta dos características (variables estadísticas) de una población o muestra, se dice que estamos analizando una variable

Más detalles

Material de la asignatura Psicología Experimental Manuel Miguel Ramos Álvarez

Material de la asignatura Psicología Experimental Manuel Miguel Ramos Álvarez Tema 6. Variantes analíticas 1 UNIVERSIDAD DE JAÉN Material de la asignatura Psicología Experimental TEMA 6.. VARIIACIIONES ANALÍÍTIICAS PARA LOS PRIINCIIPALES DIISEÑOS DE IINVESTIIGACIIÓN ÍNDICE TEMÁTICO

Más detalles

Parámetros y estadísticos

Parámetros y estadísticos Parámetros y estadísticos «Parámetro»: Es una cantidad numérica calculada sobre una población y resume los valores que esta toma en algún atributo Intenta resumir toda la información que hay en la población

Más detalles

2 Resolución de algunos ejemplos y ejercicios del tema 2.

2 Resolución de algunos ejemplos y ejercicios del tema 2. INTRODUCCIÓN A LA ESTADÍSTICA. GRUPO 71 LADE. 8 2 Resolución de algunos ejemplos y ejercicios del tema 2. 2.1 Ejemplos. Ejemplo 13 La siguiente tabla de frecuencias absolutas corresponde a 200 observaciones

Más detalles

Introducción a la Econometría (LE y LADE, mañana) Prof. Magdalena Cladera ANÁLISIS DE REGRESIÓN CON EXCEL Y SPSS

Introducción a la Econometría (LE y LADE, mañana) Prof. Magdalena Cladera ANÁLISIS DE REGRESIÓN CON EXCEL Y SPSS Introducción a la Econometría (LE y LADE, mañana) Prof. Magdalena Cladera ANÁLISIS DE REGRESIÓN CON EXCEL Y SPSS ESTIMACIÓN DE UN MODELO DE REGRESIÓN LINEAL CON EXCEL La Herramienta para análisis Regresión

Más detalles

Técnicas Cuantitativas para el Management y los Negocios

Técnicas Cuantitativas para el Management y los Negocios Segundo cuatrimestre - 4 Técnicas Cuantitativas para el Management y los Negocios Mag. María del Carmen Romero 4 romero@econ.unicen.edu.ar Módulo III: APLICACIONES Contenidos Módulo III Unidad 9. Análisis

Más detalles

EJERCICIOS ANALISIS DE DISEÑOS EXPERIMENTALES Y CUASIEXPERIMENTALES CON SPSS

EJERCICIOS ANALISIS DE DISEÑOS EXPERIMENTALES Y CUASIEXPERIMENTALES CON SPSS EJERCICIOS ANALISIS DE DISEÑOS EXPERIMENTALES Y CUASIEXPERIMENTALES CON SPSS Las soluciones a estos ejercicios y los outputs del SPSS se encuentran al final. EJERCICIO 1. Comparamos dos muestras de 10

Más detalles

Práctica 2. Estadística Descriptiva

Práctica 2. Estadística Descriptiva Práctica 2. Estadística Descriptiva Ejercicio 1 Mucha gente manifiesta reacciones de alergia sistémica a las picaduras de insectos. Estas reacciones varían de paciente a paciente, no sólo en cuanto a gravedad,

Más detalles

Universidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción

Universidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA 5.1 Introducción En este capítulo nos ocuparemos de la estimación de caracteristicas de la población a partir de datos. Las caracteristicas poblacionales

Más detalles

UNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD OPCIÓN A

UNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD OPCIÓN A a) (1 punto) Dada la matriz a 1 A, calcule el valor de a para que A a 0 sea la matriz nula. 1 1 t b) ( puntos) Dada la matriz M, calcule la matriz M M. 1 1 x 1 Sea la función f definida mediante f ( x).

Más detalles

PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS

PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 003 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Junio, Ejercicio 3, Opción A Junio, Ejercicio 3, Opción B Reserva 1, Ejercicio 3,

Más detalles

Tema 3: Diseño de experimentos

Tema 3: Diseño de experimentos Grado en Fisioterapia, 2010/11 Cátedra de Bioestadística Universidad de Extremadura 15 de noviembre de 2010 Índice Diseños con un factor 1 Diseños con un factor Comparación de dos medias Comparación de

Más detalles

Alvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012

Alvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian

Más detalles