La distribucio n normal multivariante. Estadı stica II Tema 4: Regresio n mu ltiple. Ejemplos de densidades normales en dimensio n 2
|
|
- Silvia Caballero Padilla
- hace 6 años
- Vistas:
Transcripción
1 La distribucio n normal multivariante El vector aleatorio X es normal (p-dimensional) con vector de medias µ y matriz de covarianzas Σ (notacio n: X N(µ, Σ)) si tiene densidad dada por: f (x) = Σ / (π) p/ exp (x µ) Σ (x µ), x Rp Estadı stica II Tema 4: Regresio n mu ltiple Jose R Berrendero Departamento de Matema ticas Universidad Auto noma de Madrid µ= µ µ, σ σ Σ= σp µp Ejemplos de densidades normales en dimensio n Densidad de X N(µ, Σ) con µ = (, ) yσ= σ σ σp σp σp σpp Ejemplos de densidades normales en dimensio n Densidad de X N(µ, Σ) con µ = (, ) yσ=
2 Relaciona cada matriz con su conjunto de datos Estandarización multivariante 6 6 Σ = Σ = ( ) ( 7 7 ) Datos originales Un giro Σ 3 = (, 5, 5 ) Σ 4 = ( 5 ) Cambio de escala Se deshace el giro Distancia de Mahalanobis X = (X,, X p ) población con media µ y covarianzas Σ La distancia de Mahalanobis de un punto x a µ es: d M (x, µ) := (x µ) Σ (x µ) = Σ / (x µ) Distancia de Mahalanobis frente a otras distancias d M es adimensional d M tiene en cuenta las diferentes variabilidades (varianzas) de las variables 3 d M tiene en cuenta las correlaciones entre las variables 4 Para poblaciones normales se distribuye como una χ p 5 d M se corresponde con la distancia usual (eucĺıdea) entre los datos estandarizados (de forma multivariante) Ejemplo Σ = [, 5 ] [, Σ, =, 4 ] [, R = d M (x, y) = (x y) Σ (x y) =, (x y ) + 4(x y ) d E (A, O) = d E (B, O), d M (A, O) > d M (B, O) d M tiene en cuenta la diferente variabilidad de las variables A O B ]
3 Ejemplo Σ = [ ] [, Σ, 3, =,, 3 A ] [, 6, R =, 6 B ] Distancias de Mahalanobis para datos normales 3 3 d M = (x µ) Σ (x µ) d E (A, O) = d E (B, O) d M (A, O) > d M (B, O) d M incluye la correlación O Distancias de Mahalanobis para datos normales Estadísticos descriptivos para D i en el segundo ejemplo: Min st Qu Median Mean 3rd Qu Max Desviacion tipica: 9563 Comparación con la densidad χ : 3 4 Datos de la liga de fútbol 5-6 Equipo G P GF GC Barcelona RMadrid Valencia Osasuna Sevilla Celta Villarreal Deportivo Getafe AtMadrid Zaragoza 46 5 AthBilbao Mallorca Betis Espanyol RSociedad Racing Alaves Cadiz Malaga G P GF GC
4 Distancias de Mahalanobis Hist Mahalanobis Frequency La forma del histograma coincide con lo que se espera bajo normalidad (distribución χ ) La distancia de Mahalanobis media es 38 y la varianza de las distancias es 93 La mayor distancia es 9 y corresponde al Celta Cajas Mahalanobis La menor distancia es y corresponde al Deportivo Regresión múltiple Vamos a explicar el número de partidos ganados en la liga española en función del número de goles a favor y número de goles en contra Modelo: G i = β + β GF i + β GC i + ɛ i, i =,,, donde ɛ,, ɛ n son vaiid normales con esperanza y varianza σ Algunas cuestiones de interés: Estimación de los parámetros Comparación con los modelos de regresión simple Contrastes: Por ejemplo, H : β = β =, H : β + β = Medidas de influencia Análisis de residuos Salida R > reg = lm(g ~ GF + GC) > summary(reg) Coefficients: Estimate Std Error t value Pr(> t ) (Intercept) * GF *** GC *** Residual standard error: 9 on 7 degrees of freedom Multiple R-Squared: 8475, Adjusted R-squared: 896 F-statistic: 474 on and 7 DF, p-value: 4e-7 Sólo GF en el modelo: Estimate Std Error t value Pr(> t ) (Intercept) GF e-6 *** Residual standard error: 36 on 8 degrees of freedom Multiple R-Squared: 743, Adjusted R-squared: 6879 F-statistic: 488 on and 8 DF, p-value: 3739e-6
5 Extracción de información > coef(reg) (Intercept) GF GC > anova(reg) Analysis of Variance Table Response: G Df Sum Sq Mean Sq F value Pr(>F) GF e-8 *** GC *** Residuals > confint(reg) 5 % 975 % (Intercept) GF GC > vcov(reg) (Intercept) GF GC (Intercept) GF GC Tabla ANOVA en R Supongamos un modelo de regresión con, por ejemplo, k = 3 variables regresoras: x, x y x 3 Df Sum Sq Mean Sq F value x SC SC SC /MCE x SC SC SC /MCE x3 SC 3 SC 3 SC 3 /MCE Residuals n k SCE MCE = SCE/(n k ) SC = SCE SCE, donde (M ) es Y = β + ɛ y (M) es Y = β + β x + ɛ SC = SCE SCE, donde (M ) es Y = β + β x + ɛ y (M) es Y = β + β x + β x + ɛ SC 3 = SCE SCE, donde (M ) es Y = β + β x + β x + ɛ y (M) es Y = β + β x + β x + β 3 x 3 + ɛ Elipses de confianza Elipses de confianza para (β, β ) correspondientes a los nivles α = 95, α = 9 y α = 5 Tabla ANOVA para comparar dos modelos > anova(reg,reg) Analysis of Variance Table GC Model : G ~ GF Model : G ~ GF + GC ResDf RSS Df Sum of Sq F Pr(>F) *** F = SCE SCE p SCE n k = = 596 GF
6 Modelo Variables introducidas Variables eliminadas Método gc, gf a Introducir a Todas las variables solicitadas introducidas Salida SPSS b Variable dependiente: g Colinealidad: ejemplo Resumen del modelo b Modelo R R cuadrado R cuadrado corregida Error típ de la estimación,9 a,848,83,87 a Variables predictoras: (Constante), gc, gf b Variable dependiente: g Modelo Regresión Residual Total a Variables predictoras: (Constante), gc, gf b Variable dependiente: g Modelo (Constante) gf gc a Variable dependiente: g ANOVA b Suma de Media cuadrados gl cuadrática F Sig 469,3 34,656 47,43, a 84, , ,75 9 Coeficientes a Coeficientes no estandarizados Coeficientes estandarizad os B Error típ Beta t Sig 3,85 4,84,86,,54,5,57 4,933, -,56,64 -,463-3,995, library(mass) x = mvrnorm(,c(,),matrix(c(,99,99,),)) x = x[,] x = x[,] y = x + x + rnorm() print(round(cbind(y,x,x),)) y x x [,] x [,] [3,] [4,] [5,] [6,] [7,] [8,] [9,] [,] [,] [,] [3,] [4,] [5,] [6,] [7,] [8,] [9,] [,] - 5 pairs(cbind(x,x,y)) x y > reg = lm(y~x+x) > summary(reg) Call: lm(formula = y ~ x + x) Coefficients: Estimate Std Error t value Pr(> t ) (Intercept) x x Residual standard error: 843 on 7 degrees of freedom Multiple R-Squared: 836, Adjusted R-squared: 88 F-statistic: 3968 on and 7 DF, p-value: 3945e-7 # regsimple = lm(y~x) summary(regsimple) Call: lm(formula = y ~ x) Coefficients: Estimate Std Error t value Pr(> t ) (Intercept) x e-8 *** Residual standard error: 833 on 8 degrees of freedom Multiple R-Squared: 8, Adjusted R-squared: 8 F-statistic: 86 on and 8 DF, p-value: 387e-8 Página Análisis de influencia: ejemplo Experimento para estudiar la cantidad de cierto medicamento en el hígado de una rata, tras recibir una dosis oral La dosis recibida fue de 4 mg por kg de peso corporal Tras cierto tiempo se sacrifican las ratas y se mide la cantidad de medicamento en su hígado Hay 9 observaciones, tres variables regresoras y una variable respuesta: BodyWt: Peso de la rata en g LiverWt: Peso del hígado en g Dose: Dosis relativa recibida por la rata (fracción de la máxima dosis DrugInLiver: Proporción de la dosis en el hígado Modelo: DrugInLiver = β + β BodyWt + β LiverWt + β 3 Dose + ɛ
7 Diagramas de dispersión Regresión múltiple y regresiones simples BodyWt LiverWt Estimate Std Error t value Pr(> t ) (Intercept) BodyWt Estimate Std Error t value Pr(> t ) (Intercept) LiverWt Dose DoseInLiver Estimate Std Error t value Pr(> t ) (Intercept) Dose Estimate Std Error t value Pr(> t ) (Intercept) BodyWt LiverWt Dose Observaciones Las tres regresiones simples muestran ausencia de relación entre la respuesta y las variables (también el gráfico) La regresión múltiple, sin embargo, indica que conjuntamente BodyWt y Dose son significativas Lo mismo ocurre si eliminamos LiverWt del modelo Pero BodyWt y Dose miden esencialmente lo mismo Por qué se produce la paradoja? Potencial de un punto El potencial (leverage) de un punto, h i, es el correspondiente elemento de la diagonal matriz sombrero H Los potenciales determinan la varianza de los residuos: Var(e i ) = σ ( h i ) El potencial está estrechamente relacionado con la distancia de Mahalanobis: h i = n + n d M (x i, x) Aquí, x i y x no incluyen la coordenada (igual a uno) correspondiente a β Interpretación del potencial: Por debajo de, el potencial es bajo; valores entre y 5 pueden ser peligrosos; los puntos cuyo potencial es superior a 5 deben ser analizados
8 Distancia de Cook La distancia de Cook mide cómo cambia el vector de estimadores ˆβ cuando se elimina cada observación Para ello, se utiliza la distancia de Mahalanobis (estandarizada) entre ˆβ y ˆβ(i) Si recordamos que la matriz de covarianzas de ˆβ se puede estimar con S R (X X ), tenemos que la distancia de Cook es: D i = [ ˆβ ˆβ(i)] X X [ ˆβ ˆβ(i)] (k + )S R Algunas propiedades de D i Para calibrar los valores obtenidos se compara con las tablas de la distribución F k+,n k En general observaciones tales que D i pueden ser relevantes Se puede escribir en términos de los valores ajustados: D i = n j= (Ŷ j (i) Ŷ j ) (k + )S R También está relacionado con el potencial y los residuos: h i D i = k + r i, h i donde r i = e i /(S R hi ) son los residuos estandarizados Medidas de influencia con R Análisis de influencia en el ejemplo Sea reg el resultado de un ajuste mediante el comando lm Para calcular las principales medidas de influencia relacionadas con el ajuste se usan los comandos siguientes: cooksdistance(reg): Distancias de Cook rstandard(reg): Residuos estandarizados rstudent(reg): Residuos estudentizados hatvalues(reg): h ii (elementos de la diagonal de H = X (X X ) X ) Potencial Distancia de Cook
9 Análisis de influencia en el ejemplo BodyWt LiverWt Dose DoseInLiver Resultados sin la tercera observación Coefficients: Estimate Std Error t value Pr(> t ) (Intercept) BodyWt[-3] LiverWt[-3] Dose[-3] Residual standard error: 785 on 4 degrees of freedom Multiple R-squared: 6, Adjusted R-squared: -887 F-statistic: 4 on 3 and 4 DF, p-value: 9585 Una única observación hace que cambien totalmente las conclusiones respecto a si las variables son o no significativas
Práctica 3: Regresión simple con R
Estadística II Curso 2010/2011 Licenciatura en Matemáticas Práctica 3: Regresión simple con R 1. El fichero de datos Vamos a trabajar con el fichero salinity que se encuentra en el paquete boot. Para cargar
Más detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detallesEstadística II Tema 1: Distribución normal multivariante
Estadística II Tema 1: Distribución normal multivariante José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Algunas propiedades de los vectores aleatorios Sea X = (X 1,..., X
Más detallesPráctica 4: Distribución normal multivariante con R
Estadística II Curso 2010/2011 Licenciatura en Matemáticas Práctica 4: Distribución normal multivariante con R 1. Simulación de datos normales multivariantes Para generar una muestra de datos con distribución
Más detallesAjuste de Regresión Lineal Simple
Ajuste de Regresión Lineal Simple Hugo Alberto Brango García 1 1 Universidad de Córdoba Estadística II Mayo de 2014 Análisis de Regresión Mayo de 2014 1 / 33 Supuestos sobre los residuales del modelo Normalidad
Más detallesEstructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
Más detallesTEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Más detallesRegresión ponderada y falta de ajuste
Capítulo 4 Regresión ponderada y falta de ajuste 4.1. Introducción En este capítulo se presentan la regresión ponderada y la prueba de falta de ajuste como un conjunto adicional de herramientas usadas
Más detallesEjemplo de Análisis de la Covarianza
Ejemplo de Análisis de la Covarianza Utilizando los datos del archivo sargos.csv representamos la itud desde el morro hasta la aleta dorsal frente a la itud total del pez: > sargos = read.table(file =
Más detallesEjemplo de Regresión Lineal Simple
Ejemplo de Regresión Lineal Simple Países Porcentaje de Inmunización (x) Tasa de mortalidad (y) Bolivia 77 8 Brazil 69 65 Cambodia 3 84 Canada 85 8 China 94 43 Czech_Republic 99 Egypt 89 55 Ethiopia 3
Más detallesRegresión Lineal. 15 de noviembre de Felipe Bravo Márquez
Felipe José Bravo Márquez 15 de noviembre de 2013 Introducción Un modelo de regresión se usa para modelar la relación de una variable dependiente y numérica con n variables independientes x 1, x 2,...,
Más detallesTEMA 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesTema 2: Estadística Bivariante Unidad 1: Correlación y Regresión
Estadística Tema 2: Estadística Bivariante Unidad 1: Correlación y Regresión Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Octubre 2010 Contenidos...............................................................
Más detallesEstadística; 3º CC. AA. Examen final, 23 de enero de 2009
Estadística; 3º CC. AA. Examen final, 3 de enero de 9 Apellidos Nombre: Grupo: DNI. (5 ptos.) En un estudio sobre las variables que influyen en el peso al nacer se han obtenido utilizando SPSS los resultados
Más detallesESTADÍSTICA APLICADA. Tema 4: Regresión lineal simple
ESTDÍSTIC PLICD Grado en Nutrición Humana y Dietética Planteamiento del problema Tema 4: Regresión lineal simple Recta de regresión de mínimos cuadrados El modelo de regresión lineal simple IC y contrastes
Más detallesMedia-Lab Prado. Modelos Lineales en para procesar encuestas de Satisfacción. Manuel Pérez Gómez 16/06/2016
Media-Lab Prado Modelos Lineales en para procesar encuestas de Satisfacción Manuel Pérez Gómez 16/06/2016 Análisis de los Sectores. TPV Caja Compras Almacén Grupos Informes TPV Caja Compras Almacén Grupos
Más detallesEstadística aplicada al medio ambiente
Estadística aplicada al medio ambiente III. Regresión lineal 3 o de CC. AA. Departamento de Matemáticas Universidad Autónoma de Madrid 2011/12 Planteamiento Modelo Estimación de parámetros Intervalos de
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesEjemplo simple de regresión lineal simple y múltiple (para realizar en el aula)
Ejemplo simple de regresión lineal simple y múltiple (para realizar en el aula) OBJETIVOS: 1. Familiarización con la terminología y funciones ligadas a un análisis de regresión lineal 2. Establecer las
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesCapítulo 8. Autocorrelación Serial Roldán Andrés Rosales. Econometría Aplicada Utilizando R
Capítulo 8. Autocorrelación Serial Roldán Andrés Rosales Objetivo El propósito de este capítulo es que el usuario conozca y aprenda a resolver el problema de la autocorrelación serial en un modelo de estimación
Más detallesMODELO PARA EL TALLER DE REGRESION
MODELO PARA EL TALLER DE REGRESION PROBLEMA. Los datos siguientes muestran la matricula estudiantil en los primeros 5 anos de nuestra Universidad. Años (desde el 2000 al 2004) x 1 2 3 4 5 Matricula (miles
Más detallesClasificación y regresión logística
Clasificación y regresión logística José R. Berrendero Universidad Autónoma de Madrid Contenidos Planteamiento del problema de clasificación supervisada Regla lineal de Fisher Regresión logística Optimalidad:
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesCálculos de Regresión Logística en R, Caso de una covariable.
Cálculos de Regresión Logística en R, Caso de una covariable. Carga de datos (Tabla 1.1, Hosmer-Lemeshow): CH=read.table( CHDAGE.txt,header = T) attach(ch) Gráfico de Dispersión: plot(age,chd,xlab= Edad,
Más detallesASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN
CURSO DE BIOESTADÍSTICA BÁSICA Y SPSS ASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN Amaia Bilbao González Unidad de Investigación Hospital Universitario Basurto (OSI Bilbao-Basurto)
Más detallesRegresión. Notas. Página 1 13-DEC :24:11. Salida creada Comentarios
REGRESSION /DESCRIPTIVES MEAN STDDEV CORR SIG N /MISSING LISTWISE /STATISTICS COEFF OUTS CI(95) R ANOVA COLLIN TOL CHANGE /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT P504 /METHOD=ENTER P505 P506
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesAnálisis de la varianza. Magdalena Cladera Munar Departamento de Economía Aplicada Universitat de les Illes Balears
Análisis de la varianza Magdalena Cladera Munar mcladera@uib.es Departamento de Economía Aplicada Universitat de les Illes Balears CONTENIDOS Análisis de la varianza de un factor. Análisis de la varianza
Más detallesINTRODUCCIÓN A REGRESIÓN LINEAL. Simple y Múltiple
1 INTRODUCCIÓN A REGRESIÓN LINEAL Simple y Múltiple 2 Introducción Aprendizaje Supervisado Predicción: estimar una función f(x) de forma que y = f(x) Donde Y puede ser: Número real: Regresión Categorías:
Más detallesRegresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesNombre: 1 a Prueba Ev. Continua ( ) Estadística G2 (G.Ing. Salud)
Nombre: 1 a Prueba Ev. Continua (13-4-2015) Estadística G2 (G.Ing. Salud) Ejercicio: 1 2 3 4 5 6 Total Puntos: 45 10 10 10 10 15 100 Calificación: Nota: En cada apartado de estos ejercicios, indicar los
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesEstadística II Examen final enero 19/1/17 Curso 2016/17 Soluciones Duración del examen: 2 h y 15 min
Estadística II Examen final enero 19/1/17 Curso 016/17 Soluciones Duración del examen: h y 15 min 1. 3 puntos El Instituto para la Diversificación y Ahorro de la Energía IDAE ha publicado un estudio sobre
Más detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Aniel Nieves-González () LSP 1 / 16 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por departamento. La v.a. dependiente
Más detallesANALISIS DE LA ESTATURA
ANALISIS DE LA ESTATURA OBJETIVO El objetivo de este trabajo es realizar un estudio de la de distintos individuos. DATOS Se realizan los distintos análisis de regresión simple, así como el análisis de
Más detallesEstadística II Examen final junio 27/6/17 Curso 2016/17 Soluciones
Estadística II Examen final junio 27/6/7 Curso 206/7 Soluciones Duración del examen: 2 h y 5 min. (3 puntos) Los responsables de un aeropuerto afirman que el retraso medido en minutos en el tiempo de salida
Más detallesModelo de Análisis de la Covarianza. Introducción al modelo de Medidas Repetidas
Modelo de Análisis de la Covariza. Introducción al modelo de Medidas Repetidas Modelo de Análisis de la Covariza Introducción El diseño por bloques se considera para eliminar el efecto de los factores
Más detallesGEOESTADÍSTICA APLICADA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO GEOESTADÍSTICA APLICADA Tema: Análisis Exploratorio de Datos Instructores: Dr. Martín A. Díaz Viera (mdiazv@imp.mx) Dr. Ricardo Casar González (rcasar@imp.mx) 2009
Más detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesModelo de Regresión Lineal Múltiple. Normalidad. Dr. Víctor Aguirre Torres ITAM
Modelo de Regresión Lineal Múltiple. Normalidad Dr. Víctor Aguirre Torres ITAM Temas Porqué ocurre falta de normalidad Consecuencias Detección Enfoques para manejarla Guión 18. Dr. V. Aguirre Porqué ocurre?
Más detallesElaborado por: Pelay, C. y Pérez, J. Prueba t para muestras independientes
Prueba t para muestras independientes 1 El procedimiento Prueba t para muestras independientes compara las medias de dos grupos de casos. Para esta prueba, idealmente los sujetos deben asignarse aleatoriamente
Más detallesTEMA 4 FASE ESTADÍSTICO-ANALÍTICA: RECURSOS PARA EL ANÁLISIS DE DATOS
TEMA 4 FASE ESTADÍSTICO-ANALÍTICA: RECURSOS PARA EL ANÁLISIS DE DATOS FASES EN EL ANÁLISIS DE LOS DATOS DE UNA INVESTIGACIÓN SELECCIÓN HIPÓTESIS DE INVESTIGACIÓN Modelo de Análisis Técnica de Análisis
Más detallesTema 9: Introducción al problema de la comparación de poblaciones
Tema 9: Introducción al problema de la comparación de poblaciones Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 9: Introducción al problema
Más detallesUniversidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia
Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.
Más detallesDiseño de Experimentos. Diseños Factoriales
Diseño de Experimentos Diseños Factoriales Luis A. Salomón Departamento de Ciencias Matemáticas Escuela de Ciencias, EAFIT Luis A. Salomón (EAFIT) Inspira Crea Transforma Curso 2016 Índice 1 Introducción
Más detallesANOVA. Análisis de regresión y modelo lineal
. Análisis de regresión y modelo lineal [0011] DEFAD. Métodos de contraste de hipótesis y diseño de experimentos 2014 15. Análisis de regresión y modelo lineal 1 Comparaciones múltiples 2 3. Análisis de
Más detallesMÉTODOS ESTADÍSTICOS 4º Biológicas Septiembre 2009 PRIMER EJERCICIO
MÉTODOS ESTADÍSTICOS 4º Biológicas Septiembre 2009 PRIMER EJERCICIO Resultados obtenidos por los hombres ganadores de las medallas de oro en salto de longitud y salto de altura en las olimpiadas desde
Más detallesEXTENSIONES DEL MODELO DE REGRESIÓN
EXTENSIONES DEL MODELO DE REGRESIÓN 1. Regresión exponencial 2. Regresión polinómica 3. Regresión con variables cualitativas M. Carmen Carollo, Beatriz Pateiro Página 1 1. Regresión exponencial Al tratar
Más detallesEstadística II Ejercicios Tema 4
Estadística II Ejercicios Tema 4 1. Los siguientes datos muestran la estatura (en cm.) y el peso (en Kg.) para una muestra de cinco alumnos de una clase: estatura (cm.) peso (Kg.) 154 60 158 62 162 61
Más detallesPRÁCTICA 3. REGRESIÓN LINEAL SIMPLE CON SPSS Ajuste de un modelo de regresión lineal simple Porcentaje de variabilidad explicado
PÁCTICA 3. EGESIÓN LINEAL SIMPLE CON SPSS 3.1. Gráfico de dispersión 3.2. Ajuste de un modelo de regresión lineal simple 3.3. Porcentaje de variabilidad explicado 3.4 Es adecuado este modelo para ajustar
Más detallesRegresión Lineal. El modelo de regresión caracteriza la relación entre una variable respuesta que depende de k variables independientes o regresoras.
Regresión Lineal Los factores envueltos en la experimentación pueden ser de tipo cuantitativos o cualitativos Un factor cuantitativo es aquel que sus niveles pueden ser asociados con puntos dentro de una
Más detallesAnálisis Multivariado: Modelo Predictivo de Regresión Lineal Múltiple
Análisis Multivariado: Modelo Predictivo de Regresión Lineal Múltiple El modelo predictivo utilizado para realizar el presente análisis es el de regresión lineal múltiple (RLM) 1. Resulta plausible la
Más detallesCurso de Estadística con R: Nivel Medio
Curso de Estadística con R: Nivel Medio Prof. Vanesa Jordá Departamento de Economía Facultad de Ciencias Económicas y Empresariales Universidad de Cantabria Índice Introducción Contrastes de hipótesis
Más detallesUn modelo para representar una relación aproximadamente
Regresión Se han visto algunos ejemplos donde parece que haya una relación aproximadamente lineal entre dos variables. Supongamos que queremos estimar la relación entre las dos variables. Cómo ajustamos
Más detallesInformación sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992.
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Análisis y Diseño de Modelos Econométricos Profesor: MSc. Julio Rito Vargas Avilés. Participantes: Docentes /FAREM-Carazo Encuentro No.4
Más detallesEstimación de una función de gasto en alimentos
Base de datos http://www.principlesofeconometrics.com/poe4/poe4stata.htm Definición de variables http://www.principlesofeconometrics.com/poe4/data/def/food.def food.def food_exp income Obs: 40 food_exp
Más detallesRegresión múltiple. Efecto de varias variables ambientales sobre una especie de ganso migratorio. Luz
Nombre: AGRO 6600 LAB 12 Regresión múltiple Los datos adjuntos se tomaron para estudiar el efecto de varias variables ambientales sobre el tiempo en el que una especie de ganso migratorio deja su nido
Más detallesMODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.
UNIVERSIDAD NACIONAL ABIERTA ESTADÍSTICA GENERAL 745) VICERRECTORADO ACADÉMICO INTEGRAL ÁREA DE MATEMÁTICA Fecha: 17/ 01 /009 MODELO DE RESPUESTAS Objetivos, 3, 4, 5, 6, 7, Y 8. OBJ. 1 PTA 1 Una compañía
Más detallesEXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos)
EXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos) PROBLEMA 1 Se quiere comparar la cantidad de energía necesaria para realizar 3 ejercicios o actividades: andar, correr y montar en bici.
Más detallesAnálisis de diferentes representaciones en la regresión lineal simple
Análisis de diferentes representaciones en la regresión lineal simple 5ª. Jornada sobre el Uso de los Sistemas de Cómputo Simbólico en la Enseñanza de las Matemáticas M.C. Gudelia Figueroa Preciado M.
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesContenido. vii. Prólogo... i Presentación... iii Grupo de trabajo...v. 1. Introducción y conceptos preliminares...1
Contenido Prólogo... i Presentación... iii Grupo de trabajo...v 1. Introducción y conceptos preliminares...1 2. Tipos de modelos estadísticos lineales...19 Caso 2.1...20 Caso 2.2...26 Caso 2.3...30 3.
Más detallesPrueba t para muestras independientes
Prueba t para muestras independientes El procedimiento Prueba t para muestras independientes compara las medias de dos grupos de casos. Para esta prueba, idealmente los sujetos deben asignarse aleatoriamente
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesEstadística. Convocatoria ordinaria. 23 de mayo de Nombre Grupo.. Titulación.Número de Examen..
Estadística Convocatoria ordinaria. 23 de mayo de 2017 Nombre Grupo.. Titulación.Número de Examen.. Ejercicio 1 Se dispone de un test para detectar la presencia de contaminantes en una materia prima. Hay
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesTema 6: Introducción a la Inferencia Bayesiana
Tema 6: Introducción a la Inferencia Bayesiana Conchi Ausín Departamento de Estadística Universidad Carlos III de Madrid concepcion.ausin@uc3m.es CESGA, Noviembre 2012 Contenidos 1. Elementos básicos de
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M.
MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Abordaremos en este capítulo el modelo de regresión lineal múltiple, una vez que la mayor parte de las
Más detallesÍNDICE CAPÍTULO 1. INTRODUCCIÓN
ÍNDICE CAPÍTULO 1. INTRODUCCIÓN 1.1. OBJETO DE LA ESTADÍSTICA... 17 1.2. POBLACIONES... 18 1.3. VARIABLES ALEATORIAS... 19 1.3.1. Concepto... 19 1.3.2. Variables discretas y variables continuas... 20 1.3.3.
Más detallesPrácticas Tema 4: Modelo con variables cualitativas
Prácticas Tema 4: Modelo con variables cualitativas Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 4.1- Se dispone de información sobre 16 familias sobre
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detallesSPSS Aplicación práctica: Base de datos del HATCO
Aplicación práctica: Base de datos del HATCO Datos: observaciones de variables obtenidos desde encuentas a clientes de un distribuidor industrial. Variables de interés en la aplicación: Percepciones de
Más detallesLos datos siguientes contienen indicadores demográficos y criminales sobre 47
Los datos siguientes contienen indicadores demográficos y criminales sobre 47 estados de EEUU. Los datos fueron recogidos por la Uniform Crime Report del FBI y otras agencies del gobierno para determinar
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesEstadística Básica. Mayo Regresión lineal. Francisco Montes Departament d Estadística i I. O. Universitat de València
Estadística Básica. Mayo 2004 1 Regresión lineal Francisco Montes Departament d Estadística i I. O. Universitat de València http://www.uv.es/~montes Recta de regresión Estadística Básica. Mayo 2004 2 Estadística
Más detallesPrimera práctica de REGRESIÓN.
Primera práctica de REGRESIÓN. DATOS: fichero practica regresión 1.sf3 1. Objetivo: El objetivo de esta práctica es aprender cuándo se puede utilizar el análisis de regresión. En la primera parte se presentan
Más detallesUNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL. Tema:
UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL Tema: Correlación múltiple y parcial. Ecuaciones y planos de regresión La Plata, septiembre
Más detalles5. MODELO PARA LA ESTIMACIÓN DE LA CAPACIDAD
5. MODELO PARA LA ESTIMACIÓN DE LA CAPACIDAD 5.. INDEPENDENCIA DELAS VARIABLES El primer paso a dar en la generación de un modelo estadístico que permita la estimación de la capacidad, es la correcta elección
Más detallesANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS
ANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS NOV 2015 PLAN DE ESTUDIO 1. ESTADISTICA DESCRIPTIVA 1. MEDIDAS DE TENDENCIA CENTRAL PRIMER MOMENTO 2. OTRAS MEDIDAS DE TENDENCIA CENTRAL 3. MEDIDAS
Más detallesIntervalos de confianza con STATGRAPHICS
Intervalos de confianza con STATGRAPHICS Ficheros empleados: TiempoaccesoWeb.sf3 ; TiempoBucle.sf3; 1. Ejemplo 1: Tiempo de acceso a una página Web Se desean construir intervalos de confianza para la media
Más detallesIndica qué variables están correlacionadas y el signo de la correlación.
ACTIVIDAD DE CORRELACIÓ 1) Obtén la matriz correlaciones para las variables: - Costes totales (población total) en euros. - Calidad la farmacéutica. % fármacos con U.T.B. (sobre el total fármacos prescritos).
Más detallesRegresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A
Regresión lineal REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL MÚLTIPLE N A Z IRA C A L L E J A Qué es la regresión? El análisis de regresión: Se utiliza para examinar el efecto de diferentes variables (VIs
Más detallesTema 4. Análisis multivariante de la varianza
Máster en Técnicas Estadísticas Análisis Multivariante Año 2008 2009 Profesor: César Sánchez Sellero Tema 4 Análisis multivariante de la varianza 4 Presentación del modelo Se trata de comparar las medias
Más detallesSOLUCIÓN PROPUESTA. Es de notar que dadao que los datos provienen de un corte transversal, valores de bondad de ajuste resultan ser bajos.
SOLUCIÓN PROPUESTA 1. a) reg w educa exp Source SS df MS Number of obs = 528 -------------+------------------------------ F( 2, 525) = 69.36 Model 2914.64782 2 1457.32391 Prob > F = 0.0000 Residual 11030.6042
Más detallesUniversidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL
Universidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL OBJETIVO Analizar las Diferentes formas de Describir la Relación entre dos variables numéricas Trazar un diagrama de dispersión
Más detallesEconomía Aplicada. Modelos con variables dependiente binarias. Departamento de Economía Universidad Carlos III de Madrid
Economía Aplicada Modelos con variables dependiente binarias Departamento de Economía Universidad Carlos III de Madrid Ver Stock y Watson (capítulo 11) 1 / 28 Modelos con variables dependiente binarias:
Más detallesEstadística para la Economía y la Gestión IN 3401
Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los
Más detallesGrado en NHyD 23 de junio de 2014
Estadística Aplicada Examen extraordinario Grado en HyD 23 de junio de 214 OTA: Explica y desarrolla tus respuestas usando las salidas de los anexos. En las preguntas de verdadero y falso indica qué gráficos
Más detallesMódulo de Estadística
Módulo de Estadística Tema 2: Estadística descriptiva Tema 2: Estadísticos 1 Medidas La finalidad de las medidas de posición o tendencia central (centralización) es encontrar unos valores que sinteticen
Más detallesCorrelación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)
Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre
Más detallesModelos lineales. Tema 1: Modelo de regresión lineal simple. 6 de febrero de Carmen Armero
Carmen Armero 6 de febrero de 2012 Introducción Un poco de historia Definición y propiedades Mínimos cuadrados Máxima verosimilitud Ejemplo: Masa muscular y edad 1.I La edad es uno de los factores determinantes
Más detallesTEMA 2: Propiedades de los estimadores MCO
TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso
Más detallesEstadística II Examen final junio - 17/06/16 Curso 2015/16 Soluciones Duración del examen: 2 h. y 45 min.
Estadística II Examen final junio - 17/06/16 Curso 201/16 Soluciones Duración del examen: 2 h. y 4 min. 1. (3, puntos) La publicidad de un fondo de inversión afirma que la rentabilidad media anual del
Más detalles