TEMA 3 Modelo de regresión simple
|
|
- Pascual Godoy Ramírez
- hace 5 años
- Vistas:
Transcripción
1 TEMA 3 Modelo de regresión simple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología
2 Estructura de este tema Planteamiento del problema. Ejemplos. El modelo de regresión lineal simple. Recta de regresión de mínimos cuadrados. Estimación, IC y contrastes para los parámetros del modelo. Análisis de la varianza en el modelo de regresión lineal simple. Predicción. Algunos modelos linealizables. Diagnóstico del modelo.
3 Ejemplo: temperatura y vibración de las alas Los grillos son ectotermos, por lo que sus procesos fisiológicos y su metabolismo están influidos por la temperatura. Con el fin de estudiar estas cuestiones se ha medido el número de vibraciones por segundo de las alas de un grupo de grillos a varias temperaturas. Vibraciones/seg. Temp
4 Ejemplo: Temperatura y vibración de las alas Consideramos dos variables (fichero grillos.sav): X : Temperatura Y : Número de vibraciones de las alas por segundo Qué podemos decir sobre la relación entre las dos variables? Podemos afirmar (con un nivel de significación dado) que al aumentar la temperatura, aumenta la frecuencia de vibración? Podemos predecir aproximadamente el valor de la variable Y si sabemos el valor de X? Qué grado de fiabilidad tiene la predicción?
5 Ejemplo: renta y fracaso escolar en la CAM Ejemplo
6 % fracaso escolar Arganda Torrelodones Renta (en miles de euros)
7 Covarianza Se dispone de un conjunto de n pares de observaciones (x 1, y 1 ),..., (x n, y n ). La covarianza entre x e y sirve para cuantificar el grado de relación lineal que hay entre x e y: ( cov xy = 1 n n ) (x i x)(y i ȳ) = 1 x i y i n xȳ n n i=1 Propiedades: cov xy = cov yx. cov xy depende de las unidades en que se miden x e y. cov xx = v x, es decir, la covarianza de x con x es la varianza de x. i=1
8 Interpretación de la covarianza Covarianza positiva y Covarianza negativa y Covarianza aprox. cero y Covarianza aprox. cero y
9 Coeficiente de correlación Resulta conveniente disponer de una medida de relación lineal que no dependa de las unidades. Para ello, se normaliza cov xy dividiendo por el producto de desviaciones típicas, lo que lleva al coeficiente de correlación: r xy = cov xy. vx vy Propiedades: No depende de las unidades Siempre toma valores entre -1 y 1. Su signo se interpreta igual que el de la covarianza Sólo vale 1 ó -1 cuando los puntos están perfectamente alineados. Aunque r xy 0, las variables x e y no son necesariamente independientes.
10 Media Vibraciones 16,633 Media 16,633 Vibraciones Estadísticos descriptivos Desviación típica 1,7319 N Desviación típica N 1, Temperatura 79,973 6, Vibraciones Temperatura Correlación de Pearson Sig. (bilateral) Correlación de Pearson N 15 Temperatura 79,973 6,7170 Sig. (bilateral) 15 N Correlaciones Vibraciones 1 15,836, Vibraciones Temperatura,836,000 Temperatura Correlaciones Vibraciones Correlación de Pearson 1 Sig. (bilateral) N 15 Correlación de Pearson,836 Sig. (bilateral),000 N 15 Temperatura,836, Vibraciones Temperatura Correlación de Pearson Sig. (bilateral) N Correlación de Pearson Sig. (bilateral) N Correlaciones 20,0 Vibraciones 19,0 18,0 17,0 16,0 15,0 Vibraciones 1 15,836, Temperatura,836 Vibraciones 20,0 19,0,000 18,0 17, ,0 16,0 20,0 65,0 70,0 75,0 80,0 85,0 Temperatura 15,0 90,0 95,0
11 Problema de regresión Observamos dos variables, X e Y, el objetivo es analizar la relación existente entre ambas de forma que podamos predecir o aproximar el valor de la variable Y a partir del valor de la variable X. La variable Y se llama variable respuesta La variable X se llama variable regresora o explicativa En un problema de regresión (a diferencia de cuando calculamos el coeficiente de correlación) el papel de las dos variables no es simétrico.
12 Recta de regresión Frecuentemente, existe entre las variables una relación aproximadamente lineal: Y i β 0 + β 1 x i. La recta y = β 0 + β 1 x es una recta de regresión. El parámetro β 1 es la pendiente de la recta. Indica la variación media de la variable respuesta cuando X aumenta una unidad. El parámetro β 0 es el término independiente de la recta. Indica el valor medio de Y cuando X = 0. Objetivo: estimar los parámetros β 0 y β 1 a partir de los datos (x i, Y i ), i = 1,..., n.
13 Datos con ˆβ 0 3, ˆβ y r 0.8 y y x x3 y y x x4
14 El modelo de regresión lineal simple Para poder hacer inferencia (IC y contrastes) sobre los parámetros, suponemos que se verifica el siguiente modelo: Para todas las observaciones i = 1,..., n donde: Y i = β 0 + β 1 x i + u i, El valor medio de los errores u i es cero. Todos los errores u i tienen la misma varianza σ 2 (homocedasticidad). Las variables u i tienen distribución normal. Las variables u i son independientes.
15 58 STATISTICAL INFERENCE Figure 3.4 Joint density functions (shown symbolically) of the bivariate normal distributions of the form (3.9) with varying m. where fðx; mþ is the normal density function of Nðm; 1Þ. Figure 3.4 shows symboli-
16 En qué situaciones se verifica el modelo? x y x2 y x y x y4
17 La recta de mínimos cuadrados Si estimamos β 0 y β 1 mediante ˆβ 0 y ˆβ 1, la predicción de la variable respuesta Y i en función de la regresora x i es: Ŷ i = ˆβ 0 + ˆβ 1 x i Unos buenos estimadores deben ser tales que los errores de predicción sean pequeños. e i = Y i Ŷi = Y i ( ˆβ 0 + ˆβ 1 x i ) La recta de regresión de mínimos cuadrados viene dada por los valores ˆβ 0 y ˆβ 1 para los que se minimiza: n [Y i (β 0 + β 1 x i )] 2 i=1
18 x y x y
19 Estimadores de mínimos cuadrados Pendiente: ˆβ 1 = cov xy v x vy = r = r S y. vx S x Término independiente: ˆβ 0 = Ȳ ˆβ 1 x Al igual que en los modelos de los temas anteriores: A las predicciones Ŷ i = ˆβ 0 + ˆβ 1 x i se les llama valores ajustados o pronosticados. A los errores e i = Y i Ŷ i se les llama residuos.
20 Ejemplo: temperatura y vibración de las alas Estimadores de los parámetros: ˆβ 1 = r xy S y S x = = ˆβ 0 = Ȳ ˆβ 1 x = = Recta de regresión: y = x Predicción de Y 0 para x 0 = 80: Ŷ 0 = =
21 Diagrama de dispersión y recta estimada 20,0 19,0 18,0 Vibraciones 17,0 16,0 15,0 R2 Lineal = 0,7 14,0 65,0 70,0 75,0 80,0 85,0 90,0 95,0 Temperatura
22 Observaciones La recta de mínimos cuadrados pasa por el punto cuyas coordenadas son las medias: ( x, Ȳ ). Si la variable regresora se incrementa en una desviación típica x = S x, entonces la predicción de la variable respuesta se incrementa en r desviaciones típicas: Ŷ = rs y Puede demostrarse que la suma de los residuos siempre vale cero. La recta para predecir Y en función de X no es la misma que la recta para predecir X en función de Y.
23 La varianza residual La varianza residual es un estimador insesgado de σ 2 : n n SR 2 = i=1 e2 i n 2 = i=1 (Y i Ŷ i ) 2 n 2 = n i=1 (Y i ˆβ 0 ˆβ 1 x i ) 2. n 2 Se pierden dos grados de libertad puesto que los residuos verifican dos restricciones: La media de los residuos es igual a cero. La covarianza entre los residuos y la variable regresora es también igual a cero.
24 Una simulación Supongamos que σ = 1, β 0 = 0 y β 1 = 1. Entonces el modelo es Y i = x i + u i, donde los errores u i tienen distribución normal estándar y son independientes. Fijamos x i = 1, 2,..., 10 (n = 10) y generamos las respuestas correspondientes de acuerdo con este modelo. Posteriormente calculamos la recta de mínimos cuadrados y la representamos junto con la verdadera recta y = x.
25 Repetimos 6 veces el experimento x x x x x x
26 Repetimos 6 veces el experimento beta1= beta1= beta1= beta1= 0.95 beta1= 1.01 beta1= 0.99
27 Repetimos 1000 veces el experimento β β 1 Los estimadores son centrados y tienen distribución normal. Existen fórmulas del error típico de ˆβ 0 y ˆβ 1 que miden su variabilidad. Estas fórmulas son las que se utilizan para calcular IC y llevar a cabo contrastes en lo que sigue.
28 Error típico del estimador de la pendiente error típico de ˆβ 1 = S R 1 n i=1 (x i x) = S 2 R nv x Al aumentar nv x, el error típico de la pendiente disminuye (es decir, la estimación de la pendiente es más precisa). Conviene diseñar el experimento de forma que los valores x i tengan la mayor dispersión posible.
29 Error típico del estimador del término independiente error típico de ˆβ 0 = S R 1 n + x 2 nv x Si x 2 es grande, se estima con menos precisión el término independiente.
30 Intervalos de confianza Los intervalos de confianza de nivel 1 α para los parámetros ˆβ i (i = 0, 1) tienen la estructura habitual: [ ] IC 1 α (β i ) ˆβi t n 2,α/2 error típico de ˆβ i En comparación con los intervalos de confianza para la media: Los grados de libertad son n 2 en lugar de n 1. La fórmula del error típico es más complicada. El intervalo de confianza para σ 2 también tiene la estructura que ya hemos visto en los modelos de los temas anteriores: [ ] IC 1 α (σ 2 (n 2)SR 2 ) χ 2, (n 2)S R 2 n 2;α/2 χ 2 n 2;1 α/2
31 Ejemplo: temperatura y vibración de las alas Para los datos del ejemplo se ha calculado S 2 R = Calcula los errores típicos de los estimadores de la pendiente y del término independiente. Calcula un intervalo de confianza de nivel 95% para β 1. Calcula un intervalo de confianza de nivel 95% para β 0.
32 Contrastes para los parámetros Contraste bilateral: Hipótesis: H 0 : β i = 0 frente a H 1 : β i 0 Región crítica: { R = ˆβ i error típico de ˆβ i Contrastes unilaterales: Hipótesis: H 0 : β i 0 frente a H 1 : β i > 0 Región crítica: { ˆβ i R = error típico de ˆβ i } > t n 2,α/2. } > t n 2,α. Hipótesis: H 0 : β i 0 frente a H 1 : β i < 0 Región crítica: { ˆβ i R = error típico de ˆβ i < t n 2,α }.
33 Ejemplo: temperatura y vibración de las alas Aportan los datos evidencia para afirmar (α = 0.01) que la temperatura tiene una influencia significativa sobre la frecuencia de vibración de las alas? Podemos afirmar a nivel α = 0.01 que al aumentar la temperatura aumenta la frecuencia media de vibración de las alas? Escribe la región crítica para contrastar H 0 : β 1 = 1 frente a H 1 : β 1 1.
34 Con SPSS: temperatura y vibraciones Resumen del modelo Modelo R R cuadrado R cuadrado corregida Error típ. de la estimación 1,836 a,700,677,9849 a. Variables predictoras: (Constante), Temperatura ANOVA b Modelo 1 Regresión Residual Total Suma de cuadrados 29,383 12,611 41,993 gl Media cuadrática 29,383,970 F 30,290 Sig.,000 a a. Variables predictoras: (Constante), Temperatura b. Variable dependiente: Vibraciones Modelo 1 (Constante) Temperatura Coeficientes no estandarizados Coeficientes tipificados B Error típ. Beta t Sig. -,615 3,144 -,196,848,216 a. Variable dependiente: Vibraciones Coeficientes a,039,836 5,504,000
35 Con SPSS: renta y fracaso escolar Resumen del modelo b Modelo R R cuadrado R cuadrado corregida Error típ. de la estimación 1,742 a,550,528 4,7566 a. Variables predictoras: (Constante), Renta b. Variable dependiente: Fracaso &[PageTitle] Modelo 1 Regresión Residual Total a. Variables predictoras: (Constante), Renta b. Variable dependiente: Fracaso ANOVA b Suma de Media cuadrados gl cuadrática F Sig. 580, ,516 25,658,000 a 475, , , Coeficientes a Coeficientes Coeficientes no estandarizados estandarizad os Modelo B Error típ. Beta t Sig. 1 (Constante) 38,494 3,645 10,562,000 Renta -1,347,266 -,742-5,065,000 a. Variable dependiente: Fracaso
36 Cuestiones Escribe la ecuación de la recta de mínimos cuadrados que describe el nivel de fracaso escolar como función de la renta. Calcula intervalos de confianza de nivel 95% para la pendiente y el término independiente de la recta de regresión. Podemos afirmar, a nivel α = 0.05 que niveles más altos de renta están asociados a niveles más bajos de fracaso escolar? Cuánto vale el coeficiente de correlación entre el nivel de renta y el porcentaje de fracaso escolar? Qué porcentaje de fracaso escolar se predice en una población cuya renta es x 0 = euros? Cuál es el residuo correspondiente a Colmenar Viejo?
37 Análisis de la varianza en regresión simple Y i = Ŷi + e i Y i Ȳ = (Ŷi Ȳ ) + e i n (Y i Ȳ ) 2 = n (Ŷ i Ȳ ) 2 + i=1 i=1 SCT = SCE + SCR n i=1 e 2 i SCT mide la variabilidad total (tiene n 1 gl) SCE mide la variabilidad explicada por el modelo (tiene 1 gl) SCR mide la variabilidad no explicada o residual (tiene n 2 gl)
38 Tabla ANOVA y contraste F Fuente de variación Suma de cuadrados gl cuadrados medios estadístico Explicada (SCE) n i=1 (Ŷi Ȳ )2 1 n i=1 (Ŷi Ȳ )2 F ni=1 Residual (SCR) n i=1 e2 i n 2 SR 2 = ei 2 n 2 Total (SCT) n i=1 (Y i Ȳ )2 n 1 El estadístico F es igual a SCE/S 2 R. Si F es suficientemente grande (la variabilidad explicada es muy grande respecto a la no explicada), se debe rechazar H 0 : β 1 = 0. Bajo H 0 : β 1 = 0, el estadístico F tiene distribución F 1,n 2. La región crítica de nivel α del contraste es: R = {F > F 1,n 2;α }
39 Tabla ANOVA y contraste F Para contrastar H 0 : β 1 = 0 a nivel α hemos considerado tres procedimientos: Calcular un IC de nivel de confianza 1 α para β 1 y rechazar H 0 si 0 no pertenece al intervalo. Dividir ˆβ 1 por su error típico y rechazar H 0 si el valor obtenido es superior a t n 2;α/2. Calcular F = SCE/S 2 R y rechazar H 0 si el valor obtenido es superior a F 1,n 2;α. Los tres métodos son equivalentes en este modelo.
40 Evaluación del ajuste Para valorar el grado con el que la recta se ajusta a los datos se emplean varias medidas: El coeficiente de correlación r. El coeficiente de determinación: R 2 = Variabilidad explicada Variabilidad total = SCE SCT En el modelo de regresión simple R 2 = r 2, el coeficiente de determinación coincide con el coeficiente de correlación al cuadrado. El error cuadrático medio: ECM = n i=1 (Y i Ŷi) 2 n = n i=1 e2 i n. Puede comprobarse que ECM = V y (1 r 2 ).
41 Cuestiones Si SCT = 8100, SCE = 6900 y ˆβ 1 = 6.7. Calcula el coeficiente de correlación entre la variable regresora y la variable respuesta. Para un conjunto de 20 datos se sabe que SCT = 7200, SCE = 2900 y ˆβ 1 = 3.1. Calcula el coeficiente de correlación, el coeficiente de determinación y el error cuadrático medio.
42 Inferencia sobre la variable respuesta Una de las razones para ajustar un modelo de regresión simple es obtener información sobre Y cuando x toma un valor x 0 conocido. Hay dos problemas relacionados con este objetivo: Estimar el valor medio de Y para los individuos de la población para los que X = x 0. Si µ 0 es este valor medio, µ 0 = β 0 + β 1 x 0. Predecir el valor individual que tomará la variable Y para una nueva observación para la que se sabe que X = x 0. Si Y 0 es este valor, Y 0 = β 0 + β 1 x 0 + u 0. Qué problema es más difícil de los dos? Qué estimador y qué predicción resultan razonables para µ 0 y Y 0?
43 Estimación y predicción puntual En ambos casos, el estimador (o predicción) puntual es: Ŷ 0 = ˆβ 0 + ˆβ 1 x 0 = Ȳ + ˆβ 1 (x 0 x). Sin embargo, el intervalo de confianza para µ 0 es diferente del intervalo de predicción para Y 0. Intervalo de confianza para µ 0 de nivel 1 α: 1 Ŷ 0 t n 2;α/2 S R n + (x 0 x) 2 nv x Intervalo de predicción para Y 0 de nivel 1 α: Ŷ 0 t n 2;α/2 S R n + (x 0 x) 2 nv x
44 Ejemplo: temperatura y vibración de las alas Calcula un intervalo de confianza de nivel 95% para el número medio de vibraciones de las alas de los grillos cuando la temperatura es de 80 grados Farenheit. Calcula un intervalo de predicción de nivel 95% para el número de vibraciones de las alas de un grillo cuando la temperatura es de 80 grados Farenheit. En una población de la Comunidad de Madrid se sabe que la renta per cápita es 1000 euros inferior a la media de los datos disponibles. Calcula un intervalo de predicción de nivel 95% del porcentaje de fracaso escolar en esa población. Repite el ejercicio para una población cuya renta sea 1000 euros superior a la media. Medias Cuasidesviaciones típicas % Fracaso Renta
45 Intervalos de confianza y predicción Bandas de predicción Bandas de confianza media
46 Intervalos de confianza para la media &[PageTitle] Intervalos de confianza 40,0 30,0 Fracaso 20,0 10,0 Sq r lineal = 0,55 7,500 10,000 12,500 15,000 Renta 17,500 20,000 22,500
47 Renta Intervalos de predicción para valores individuales Intervalos de predicción 40,0 30,0 Fracaso 20,0 10,0 Sq r lineal = 0,55 7,500 10,000 12,500 15,000 Renta 17,500 20,000 22,500
48 Estimación de algunas relaciones no lineales A veces, aunque la relación entre x e Y no sea lineal, el modelo de regresión simple puede aplicarse después de transformar adecuadamente las variables. Modelos: Modelo de regresión exponencial Modelo de regresión logarítmica Modelo de regresión potencial
49 Modelo de regresión exponencial La variable respuesta es aproximadamente una función exponencial de la variable regresora: Y ae bx Se linealiza tomando logaritmos: log Y log a + bx Si ajustamos un modelo lineal a obtenemos los estimadores log a y ˆb. (x 1, log Y 1 ),..., (x n, log Y n ) Invirtiendo los cambios obtenemos los estimadores â y ˆb.
50 Modelo de regresión logarítmica La variable respuesta es aproximadamente una función lineal del logaritmo de la variable regresora: Y β 0 + β 1 log x Si ajustamos un modelo lineal a obtenemos los estimadores ˆβ 0 y ˆβ 1. (log x 1, Y 1 ),..., (log x n, Y n )
51 Modelo de regresión potencial La variable respuesta es proporcional a una potencia de la variable regresora: Y ax b Se linealiza tomando logaritmos: log Y log a + b log x Si ajustamos un modelo lineal a obtenemos los estimadores log a y ˆb. (log x 1, log Y 1 ),..., (log x n, log Y n ) Invirtiendo los cambios obtenemos los estimadores â y ˆb.
52 Ejemplo: renta y fracaso escolar Fracaso log Fracaso Renta Renta Fracaso log Fracaso log Renta log Renta
53 Ejemplo: renta y fracaso escolar Resumen del modelo y estimaciones de los parámetros Ecuación Resumen del modelo Estimaciones de los parámetros R cuadrado F gl1 gl2 Sig. Constante b1 Lineal,550 25, ,000 38,494-1,347 Logarítmica,572 28, ,000 70,584-19,600 Potencia,610 32, , ,923-1,066 Exponencial,594 30, ,000 51,642 -,074
54 Diagnóstico del modelo: linealidad y homocedasticidad El gráfico más útil para el diagnóstico del modelo es el de residuos frente a valores ajustados: (Ŷ 1, e 1 ),..., (Ŷ n, e n ) Se suelen utilizar los residuos estandarizados, que bajo las hipótesis del modelo tienen aproximadamente la distribución normal estándar. La hipótesis de normalidad se valora a partir de un gráfico de probabilidad de los residuos. La homocedasticidad se puede confirmar si No hay patrones sistemáticos en el gráfico. La variabilidad es aproximadamente constante a lo largo de todo el rango de valores ajustados. Los residuos estandarizados que no están comprendidos entre los valores -3 y 3 pueden corresponder a datos atípicos potencialmente influyentes.
55 Residuos frente a valores ajustados
56 Residuos frente a valores ajustados x y x y x y x y Ajustados Residuos Ajustados Residuos Ajustados Residuos Ajustados Residuos
57 Diagnóstico del modelo: normalidad
58 Precauciones al aplicar el modelo de regresión simple Existencia de datos atípicos Extrapolación Mezcla de poblaciones diferentes Datos temporales
59 Datos atípicos
60 Datos atípicos
61 Datos atípicos
62 Datos atípicos
63 Ejemplo: Temperatura e intensidad de luz en estrellas Para 47 estrellas se han registrado el log de la temperatura efectiva en la superficie (Temp) y el log de la intensidad de su luz (Intens) log(temperatura) log(intensidad)
64 Ejemplo: Temperatura e intensidad de luz en estrellas log(temperatura) log(intensidad)
65 Extrapolación Verdadera relación Y buena Y predicción Recta de regresión estimada x predicción
66 Mezcla de poblaciones Regresión con todos los datos
67 Ejemplo: número de pie y estatura
68 Datos temporales (correlación espúrea PNB en EE.UU e incidencia del melanoma en la población masculina en Connecticut ( )
Estructura 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 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 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 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 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 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 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 Ejercicios Tema 5
Estadística II Ejercicios Tema 5 1. Considera los cuatro conjuntos de datos dados en las transparencias del Tema 5 (sección 5.1) (a) Comprueba que los cuatro conjuntos de datos dan lugar a la misma recta
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 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 detallesObjetivo: Proponer modelos para analizar la influencia
TEMA 3: REGRESIÓN LINEAL SIMPLE Objetivo: Proponer modelos para analizar la influencia de una variable cuantitativa sobre un fenómeno que nos interesa estudiar. 1. Modelo lineal l de regresión 2. Estimación
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 detalles1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN SIMPLE Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción MODELO DE REGRESIÓN SIMPLE Julián de la Horra Departamento de Matemáticas U.A.M. Los modelos de regresión sirven, en general, para tratar de expresar una variable respuesta (numérica) en
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 detallesRegresión Lineal Simple y Múltiple Regresión Logística
Regresión Lineal Simple y Múltiple Regresión Logística Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura MUI en Ciencias de la Salud MUI en Ciencias de la Salud (UEx) Regresión
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 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 detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
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 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 detalles7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE
ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago
Más detallesModelo de Regresión Lineal
Modelo de Regresión Lineal Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Introducción Un ingeniero, empleado por un embotellador de gaseosas,
Más detalles1. Conceptos de Regresión y Correlación. 2. Variables aleatorias bidimensionales. 3. Ajuste de una recta a una nube de puntos
TEMA 10 (curso anterior): REGRESIÓN Y CORRELACIÓN 1 Conceptos de Regresión y Correlación 2 Variables aleatorias bidimensionales 3 Ajuste de una recta a una nube de puntos 4 El modelo de la correlación
Más detallesQué es? Primer paso Representación en un sistema de coordenadas. numéricos Cada punto muestra el valor de cada pareja de datos (X e Y)
Gráfico de dispersión Qué es? Primer paso Representación en un sistema de coordenadas cartesianas de los datos numéricos Cada punto muestra el valor de cada pareja de datos (X e Y) Gráfico de dispersión
Más detallesTEMA 4 Regresión logística
TEMA 4 Regresión logística José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Variable respuesta dicotómica. Ejemplo. El
Más detallesRelación 3 de problemas
ESTADÍSTICA II Curso 2016/2017 Grado en Matemáticas Relación 3 de problemas 1. La Comunidad de Madrid evalúa anualmente a los alumnos de sexto de primaria de todos los colegios sobre varias materias. Con
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 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 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 detallesDefinición de Correlación
Definición de Correlación En ocasiones nos puede interesar estudiar si existe o no algún tipo de relación entre dos variables aleatorias: Estudiar cómo influye la estatura del padre sobre la estatura del
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 detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez https://torrezcesar.wordpress.com
ASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez torrezcat@gmail.com https://torrezcesar.wordpress.com 0416-2299743 Programa de Estadística II UNIDAD IV: REGRESIÓN Y CORRELACIÓN MÚLTIPLE LINEAL TANTO
Más detallesREGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE
UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o
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 detallesEstadística II Examen Final 19/06/2015 Soluciones. Responda a las preguntas siguientes en los cuadernillos de la Universidad
Estadística II Examen Final 19/06/2015 Soluciones Responda a las preguntas siguientes en los cuadernillos de la Universidad Utilice diferentes cuadernillos para responder a cada uno de los ejercicios Indique
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 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 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 detallesUnidad Temática 3: Estadística Analítica. Unidad 9 Regresión Lineal Simple Tema 15
Unidad Temática 3: Estadística Analítica Unidad 9 Regresión Lineal Simple Tema 15 Estadística Analítica CORRELACIÓN LINEAL SIMPLE Indica la fuerza y la dirección de una relación lineal proporcional entre
Más detallesModelación estadística: La regresión lineal simple
Modelación estadística: La regresión lineal simple Gabriel Cavada Ch. 1 1 División de Bioestadística, Escuela de Salud Pública, Universidad de Chile. Statistical modeling: Simple linear regression Cuando
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 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 Y ANÁLISIS DE DATOS EN PSICOLOGÍA II
DISEÑO Y ANÁLISIS DE DATOS EN PSICOLOGÍA II PRÁCTICA 7 Problema 1. Tengamos el siguiente ANOVA obtenido en una investigación con N 15 donde se estudia la relación entre autoeficacia percibida (X y el rendimiento
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
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 detallesEscuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez.
Escuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez. Econometría Regresión Múltiple: Municipio Ocupados Población Analfabeta Mayor de 10 años Total de Viviendas Bejuma 18.874 1.835
Más detallesProfesor: Hugo S. Salinas. Primer Semestre Tabla 1: Inteligencia y Rendimiento. X Y Figura 1: Inteligencia y Rendimiento.
UNIVERSIDAD DE ATACAMA FACULTAD DE CIENCIAS JURÍDICAS / CARRERA DE TRABAJO SOCIAL TECNOLOGÍA INFORMÁTICA I (SPSS) ESTADÍSTICA DESCRIPTIVA CON MÁS DE UNA VARIABLE Profesor: Hugo S. Salinas. Primer Semestre
Más detallesAnálisis de regresión y correlación lineal
Análisis de regresión y correlación lineal En las unidades anteriores hemos aplicado metodologías estadísticas para analizar la información de una variable desde una o más muestras utilizando las herramientas
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 detallesEstadística. Contrastes para los parámetros de la Normal
Contrastes para los parámetros de la Normal Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Contrastes para los parámetros de la Normal Contrastes para los parámetros
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 4)
OBJETIVOS DE APRENDIZAJE: TEMA Nº ANÁLISIS CONJUNTO DE DOS VARIABLES Distinguir entre variables cualitativas y cuantitativas, y saber elegir los métodos en cada caso. Conocer métodos gráficos y cuantitativos
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 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 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 detallesLección 3. Análisis conjunto de dos variables
Lección 3. Análisis conjunto de dos variables Estadística Descriptiva Parcialmente financiado a través del PIE13-04 (UMA) GARCÍA TEMA 3. ANÁLII CONJUNTO DE DO VARIABLE 3.1 COVARIANZA COEFICIENTE DE CORRELACIÓN
Más detallesTEMA 10 Correlación y regresión. El modelo de regresión simple
TEMA 10 Correlación y regresión. El modelo de regresión simple Karl Pearson (1857-1936) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones no lineales
Más detallesTEMA 4 CUESTIONARIO DE AUTOEVALUACIÓN
4.5.- En cuál de los siguientes casos se podría utilizar la varianza residual en lugar del coeficiente de determinación para medir la calidad del ajuste? Con el mismo conjunto de datos y dos ajustes distintos.
Más detallesEl modelo de regresión múltiple
El de regresión múltiple Simple El de regresión múltiple es la extensión a k variables explicativas del de regresión simple. La estructura del de regresión múltiple es la siguiente: y = f (x 1,..., x k
Más detallesRegresión Lineal Múltiple
Unidad 4 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 35 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable respuesta
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 detallesAl nivel de confianza del 95%, las puntuaciones típicas son: 2- La hipótesis alternativa es; A) ; B) ; C).
A continuación se presentan 4 situaciones. Cada situación viene seguida por una serie de preguntas referidas a la misma así como de preguntas teóricas generales. SITUACIÓN 1: La empresa SND's de sondeos
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 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 detallesTema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos
Tema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos Metodología de la Investigación en Fisioterapia Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura M.
Más detalles1. DEFINICIONES BÁSICAS
1. DEFINICIONES BÁSICAS La estadística tiene dos ramas: La Estadística Descriptiva, que se ocupa de agrupar, resumir y presentar los datos incluidos en una determinada muestra. La Estadística Inferencial
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 12 REGRESIÓN LINEAL Mediante la regresión lineal se busca hallar la línea recta que mejor explica la relación entre unas variables independientes o variables de exposición y una variable dependiente
Más detallesTEMA 2: DISTRIBUCIONES BIDIMENSIONALES
TEMA : DISTRIBUCIONES BIDIMENSIONALES 1.- DISTRIBUCIONES BIDIMENSIONALES Cuando estudiamos un solo carácter estadístico, los datos que obtenemos forman una variable estadística unidimensional. También
Más detallesANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL
ANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL Msc. Lácides Baleta Octubre 16 Página 1 de 11 REGRESIÓN Y CORRELACIÓN LINEAL Son dos herramientas para investigar la dependencia de una variable dependiente Y
Más detalles= 15 CALIFICACION:
6 + 4 + 5 = 15 CALIFICACION: Vacacion.xls Este fichero está adaptado del fichero vacation.gdt del libro de Hill et al.(2008) que se puede descargar en: http://gretl.sourceforge.net/gretl data.html PARTE
Más detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detallesPart I. Descripción estadística de dos variables. Estadística I. Mario Francisco. Variable. bidimensional. Distribuciones de frecuencias
Part I Descripción de dos variables Introducción Si para un mismo individuo observamos simultáneamente k obtendremos como resultado una variable k-dimensional. Nos ocuparemos del estudio de las variables
Más detallesTaller I Econometría I
Taller I Econometría I 1. Considere el modelo Y i β 1 + ɛ i, i 1,..., n donde ɛ i i.i.d. N (0, σ 2 ). a) Halle el estimador de β 1 por el método de mínimos cuadrados ordinarios. Para realizar el procedimiento
Más detallesESTADISTICA AVANZADA MODULO I
ESTADISTICA AVANZADA MODULO I Análisis de Regresión Modelo Supuestos Multiple 20.0 25.0 30.0 35.0 40.0 45.0 50.0 55.0 60.0 65.0 70.0 75.0 80.0 85.0 Consumo Energetico Gráfico de Dispersión 110.000 105.000
Más detallesCORRELACIÓN LINEAL SIMPLE
CORRELACIÓN LINEAL SIMPLE ANÁLISIS DE CORRELACIÓN Cuando se trabaja con dos variables, pueden surgir diferentes preguntas como: Existe relación entre lo que una empresa gasta en publicidad y el importe
Más detallesPráctica 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 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 detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesTema 2: Análisis de datos bivariantes
Tema 2: Análisis de datos bivariantes Los contenidos a desarrollar en este tema son los siguientes: 1. Tablas de doble entrada. 2. Diagramas de dispersión. 3. Covarianza y Correlación. 4. Regresión lineal.
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 detallesInformación de contacto. Tema 1 Análisis exploratorio de datos. Ejemplo de introducción: contaminación por mercurio en el pescado.
Información de contacto Tema 1 Análisis exploratorio de datos José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid José Ramón Berrendero Díaz Correo electrónico: joser.berrendero@uam.es
Más detallesT3. El modelo lineal básico
T3. El modelo lineal básico Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 41 Índice 1 Regresión lineal múltiple Planteamiento Hipótesis
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesEstadística II. Laura M. Castro Souto
Estadística II Laura M. Castro Souto Segundo Cuatrimestre Curso 2000/2001 Modelos de Regresión Diferencias con el Diseño de Experimentos Los modelos de regresión estudian relaciones numéricas entre variables
Más detallesque represente lo mejor posible la relación entre valores X e Y permitiéndonos inferir un valor a partir del otro.
Regresió n josé a. mañas 8.2.2017 1 Introducción El objetivo de las técnicas de regresión es identificar una función que permita estimar una variable Y en función de la otra X. Es decir, averiguar una
Más detallesRegresión con variables independientes cualitativas
Regresión con variables independientes cualitativas.- Introducción...2 2.- Regresión con variable cualitativa dicotómica...2 3.- Regresión con variable cualitativa de varias categorías...6 2.- Introducción.
Más detallesEstructura de este tema. Tema 3 Contrastes de hipótesis. Ejemplo
Estructura de este tema Tema 3 Contrastes de hipótesis José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Qué es un contraste de hipótesis? Elementos de un contraste: hipótesis,
Más detallesRegresión lineal simple
Regresión lineal simple Unidad 1 Javier Santibáñez IIMAS, UNAM jsantibanez@sigma.iimas.unam.mx Semestre 2018-2 Javier Santibáñez (IIMAS, UNAM) Regresión simple Semestre 2018-2 1 / 62 Contenido 1 Planteamiento
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesTEMA N 1.- ANÁLISIS DE REGRESIÓN Y MÉTODO DE MÍNIMOS CUADRADOS
UNIVERSIDAD DE ORIENTE NÚCLEO DE ANZOÁTEGUI EXTENSIÓN REGIÓN CENTRO-SUR ANACO, ESTADO ANZOÁTEGUI Asignatura: Estadística II Docente: Ing. Jesús Alonso Campos TEMA N 1.- ANÁLISIS DE REGRESIÓN Y MÉTODO DE
Más detallesMatemática Aplicada y Estadística - Farmacia Soluciones del Primer Examen Parcial - Grupo 3
1. Se está haciendo un estudio de medicamentos diferentes que contienen un principio activo común La distribución de frecuencias se indica en la tabla que sigue: Cantidad de sustancia mg [10,20 [20,30
Más detallesECONOMETRÍA I. Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación
ECONOMETRÍA I Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
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 detallesRegresión lineal
86 Bioestadística: Métodos y Aplicaciones coeficiente de determinación de la regresión de Y sobre X, R 2 Y X, como R 2 Y X = 1 S2 E S 2 Y (3.4) Si el ajuste de Y mediante la curva de regresión Ŷ = f(x)
Más detallesEstadística Inferencial. Sesión No. 9 Regresión y correlación lineal
Estadística Inferencial Sesión No. 9 Regresión y correlación lineal Contextualización En la administración, las decisiones suelen basarse en la relación entre dos o más variables. En esta sesión se estudia
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesSesgo y varianza del estimador de la razón. con el problema de presición vs. sesgo que ya discutimos. t y. ˆt x
Sesgo y varianza del estimador de la razón A diferencia de los estimadores lineales vistos en las clases anteriores, los estimadores de la razón son usualmente sesgados. La varianza, comunmente más reducida,
Más detalles