REGRESIÓN LINEAL MÚLTIPLE

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

Download "REGRESIÓN LINEAL MÚLTIPLE"

Transcripción

1 REGRESIÓN LINEAL MÚLTIPLE.- Planteamiento general....- Métodos para la selección de variables Correlaciones parciales y semiparciales Multicolinealidad en las variables explicativas...

2 .- Planteamiento general Como se sabe, le modelo de regresión múltiple se utiliza para predecir el comportamiento de una determinada variable variable dependiente o criterio- en función de otras variables independientes o explicativas (también regresores o predictores) Trabajaremos aquí con otro fichero de datos, Notas.sav, tal como se ilustra a continuación: Las variables consideradas son: Inteligencia Horas de estudio Nivel social Calificación Sexo Supongamos que deseamos conocer la incidencia del conjunto de variables (Inteligencia, Horas de estudio y Nivel Social) sobre las calificaciones obtenidas. Nos dirigimos al comando regresión/lineal y hacemos la siguiente selección

3 Nos ofrece el siguiente conjunto de resultado que iremos desmenuzando. Comencemos por el resumen del modelo: Resumen del modelo R cuadrado Error típ. de la R R cuadrado corregida estimación,950 a,90,884,58900 a. Variables predictoras: (Constante), Nivel Social, Horas de estudio, Inteligencia El modelo explica un 90.%, que una vez corregido por el efecto de la muestra y de las variables independientes resulta ser 88.4%. Por otro lado, el error típico de la estimación (raíz cuadrada de la varianza no explicada) resulta ser de La prueba de análisis de la varianza, que nos muestra si la varianza explicada por la regresión es significativamente distinta ( y superior) a la varianza no explicada es: Regresión Residual Total ANOVA b Suma de Media cuadrados gl cuadrática F Sig. 5,0 3 7,034 49,00,000 a 5,55 6,347 56,65 9 a. Variables predictoras: (Constante), Nivel Social, Horas de estudio, Inteligencia b. Variable dependiente: Calificación 3

4 El valor de F obtenido es 49.00, cuya probabilidad asociada según las expectativas de la Hipótesis nula es menor del 0.000, lo que nos lleva a rechazar tal hipótesis y suponer que existe un efecto real de dichas variables sobre la calificación académica. Por otro lado, el modelo de regresión será: (Constante) Inteligencia Horas de estudio Nivel Social a. Variable dependiente: Calificación Coeficientes a Coeficientes no estandarizados Coeficient es estandari zados B Error típ. Beta t Sig. -6,938,335-5,97,000 7,79E-0,04,597 5,350,000,96,07,580 7,7,000,90,63,00,787,093 De aquí se deduce que la ecuación de regresión en directas es: Y ˆ= X X X 3 Siendo: Y: Calificación académica X : Inteligencia X : Horas de estudio X 3 : Nivel Social Tal como está expresada la ecuación anterior parecería que la Inteligencia tiene poca importancia. Se debe a que la magnitud de su escala es mucho más alta que las restantes variables y su peso específico por unida es menor. No obstante, la ecuación de regresión en estandarizadas nos mostrará todas las variables en la misma dimensión. Así: Z ˆ= 0.597Z Z 0. Z 3 Se observa que aquí el peso específico de la Inteligencia es superior a los restantes. Si nos atenemos al valor de t que nos indica la significación estadística de los distintos coeficientes observaremos un valor máximo para la Horas de estudio (t=7.7), seguido de la Inteligencia (t=5.35), y por ultimo le nivel social (t=.787). 4

5 .- Métodos para la selección de variables En los resultados anteriores se ha seguido un determinado procedimiento de inclusión de variables. Si se observa el cuadro de diálogo correspondiente aparecerá en Método, Introducir. Se quiere decir con ello que se consideren simultáneamente todas la variables especificadas. Este procedimiento no es el más aconsejable, a menos que haya razones teóricas suficientes. Con frecuencia nos encontramos con variables redundantes o bien irrelevantes, que no aportan nada al modelo. Las primeras, porque ya se tiene en otras variables la información que necesitamos, y las segundas, porque adolecen precisamente de falta de información alguna. El procedimiento más frecuentemente usado se denomina Pasos sucesivos (stepwise). Como su nombre indica consiste en ir elaborando sucesivas ecuaciones de regresión en las que se va añadiendo cada vez un regresor más. El primer paso consiste en seleccionar el regresor de máxima correlación simple con el criterio, y se define, en consecuencia una ecuación de regresión simple con esa variable. A continuación se elabora una segunda ecuación de regresión añadiendo a la anterior otro regresor, esta vez el que más proporción de variabilidad explicada aporte sobre la ecuación anterior. Así hasta que no haya mas regresores que aporten nada sustantivo, que es cuando el procedimiento acaba. Hay que indicar, y aquí esta lo destacable de este procedimiento, que en este proceso de elaboración del modelo definitivo, hay una continua reevaluación de los predictores incluidos en el modelo, de forma que si algún regresor queda explicado por los restantes (en el sentido de que carece de contribución específica propia) queda eliminado. El procedimiento Hacia delante (forward), es equivalente al anterior excepto en el sentido que no existe ninguna reevaluación, y se van incluyendo, por tanto en el modelo las variables según su importancia. Frecuentemente este método coincide con el anterior cuando no hay que extraer ninguna de las variables introducidas. El procedimiento Hacia atrás (backward) es justamente el contrario del anterior. Se comienza incluyendo todas las variables en el modelo de regresión y se van eliminando regresores progresivamente de menor a mayor contribución específica hasta que ésta sea lo suficientemente significativa como para no poder ser eliminada. El procedimiento Eliminar (remove),permite cuando se ensayan diferentes modelos de regresión (con la especificación de bloques) eliminar en cada uno de estos ensayos las variables que nos interese. Es una forma, digamos manual, de ir probando distintos modelos. Probemos en lo que sigue el procedimiento Pasos sucesivos. En el cuadro de diálogo de Regresión lineal marcamos lo siguiente: 5

6 Si entramos en Estadístico podremos conseguir alguna información útil, como cambio en R cuadrado, que nos indicará precisamente la mejora de cada variable en términos de proporción de variación explicada. En una primera instancia la información suministra es: 6

7 a. Variables introducidas/eliminadas Variables introducidas Inteligencia, Horas de estudio Variable dependiente: Calificación Variables eliminadas, a Método Por pasos (criterio: Probabili dad de F para entrar <=,050, Probabili dad de F para salir >=,00). Por pasos (criterio: Probabili dad de F para entrar <=,050, Probabili dad de F para salir >=,00). Se nos indica las opciones que hay por defecto (subcuadro de diálogo opciones). Para entrar una variable debe ser inferior a una significación de 0.05 y para salir, superior a 0.. En la siguiente tabla aparecen las variables que configuran los diferentes modelos: Resumen del modelo R cuadradoerror típ. de lacambio en Sig. del R R cuadrado corregida estimación R cuadradocambio en F gl gl cambio en F,760 a,577,554,5366,577 4,565 8,000,939 b,88,869,658,305 44,69 7,000 a. Variables predictoras: (Constante), Inteligencia b. Variables predictoras: (Constante), Inteligencia, Horas de estudio Cambiar los estadísticos El primer modelo está formado sólo con el predictor Inteligencia y al segundo se le añade la variable Horas de estudio. El primer modelo explica una proporción de 0.577, y el segundo de 0.88, lo que implica una mejora de puntos. Vemos más cosas, tales como los cambios en el cociente F, grados de libertad y la significación de F. Además se nos proporciona un análisis de la varianza para cada uno de los modelos: 7

8 Regresión Residual Total Regresión Residual Total ANOVA c Suma de Media cuadrados gl cuadrática F Sig. 3,695 3,695 4,565,000 a 3,957 8,33 56, ,994 4,997 63,84,000 b 6,658 7,39 56,65 9 a. Variables predictoras: (Constante), Inteligencia b. Variables predictoras: (Constante), Inteligencia, Horas de estudio c. Variable dependiente: Calificación Por último las variables excluidas en ambos modelos. Horas de estudio Nivel Social Nivel Social Variables excluidas c Estadístic os de colinealid Correlación ad Beta dentro t Sig. parcial Tolerancia,553 a 6,646,000,850,999 a. Variables predictoras en el modelo: (Constante), Inteligencia,046 a,07,839,050,505,00 b,787,093,408,487 b. Variables predictoras en el modelo: (Constante), Inteligencia, Horas de estudio c. Variable dependiente: Calificación Se observa que en el primer modelo, las Horas de estudio tenían un peso importante (t=6.646), cosa que no ocurre con el Nivel social ni un modelo ni con el otro, por lo que es definitivamente eliminada. Otros estadísticos tales como correlación parcial y colinealidad lo trataremos en las próximas páginas. 3.- Correlaciones parciales y semiparciales Las correlaciones parciales y semiparciales tienen especial interés por permitir conocer las contribuciones especificas de las distintas variables al margen al margen de lo que comparten con otras variables. Frecuentemente las predictores están correlacionados entres sí y es importante saber deslindar lo que aportan unos y otros. No es fácil saber a donde atribuir la parte compartida, y frecuentemente son criterios teóricos sustantivos del tema en cuestión- y no criterios estadísticos los que nos permiten asignar las contribuciones de los diferentes regresores a la explicación de la variable dependiente. 8

9 Vamos a ver en primer lugar el conjunto de correlaciones existentes en estos datos. Vamos la comando Correlaciones/bivariadas: Cuyos resultados son: Inteligencia Horas de estudio Nivel Social Calificación Correlación de Pearson Sig. (bilateral) N Correlación de Pearson Sig. (bilateral) N Correlación de Pearson Sig. (bilateral) N Correlación de Pearson Sig. (bilateral) N Correlaciones Inteligencia,038,873 **. La correlación es significativa al nivel 0,0 (bilateral). *. La correlación es significante al nivel 0,05 (bilateral). 0 Horas de estudio Nivel Social Calificación,703** -,08,00,65 0 0,760**,58**,557*,000,007, Veamos qué ocurre ahora si eliminamos de todas las variables la variabilidad que aporta la Inteligencia. Vanos para ello al comando Correlaciones/parciales: 9

10 La nueva matriz de correlacione será: P A R T I A L C O R R E L A T I O N C O E F F I C I E N T S Controlling for.. INT HORAS NSOCIAL CALIF HORAS,0000 -,895,8498 ( 0) ( 7) ( 7) P=, P=,437 P=,000 NSOCIAL -,895,0000,0500 ( 7) ( 0) ( 7) P=,437 P=, P=,839 CALIF,8498,0500,0000 ( 7) ( 7) ( 0) P=,000 P=,839 P=, (Coefficient / (D.F.) / -tailed Significance) ", " is printed if a coefficient cannot be computed Obsérvese el poco efecto que tiene ahora el Nivel social sobre la variable Calificación. Los cálculos han consistido en eliminar tanto de la variable dependiente (Calificación) como del regresor Nivel Social, la variabilidad de la Inteligencia. Es una correlación, digamos, entre los residuos de ambas variables una vez eliminada de ellas la participación de la Inteligencia. 0

11 La correlaciones parciales frecuentemente son la alternativa estadística- no experimental- a aquella otra experimental del control de variables, cuando no es posible la manipulación de las mismas según nuestros deseos. Más interesante para el tema que nos atañe son las denominadas correlacione semiparciales. En este caso, no tocamos la variabilidad e la variable dependiente, sino tan sólo sustraemos el efecto de la variable que deseamos controlar, de los predictores que estamos tratando. Es justamente lo que hemos denominado contribución específica de una determinada variable. Es la proporción (mejor su raíz cuadrada) de variabilidad explicada exclusivamente por un determinado regresor sobre la variable dependiente. En el caso que nos atañe, a efectos de simplicidad vamos a trabajar con dos únicos regresores, Inteligencia y Nivel social. Así, en el cuadro de la Regresión lineal indicamos: A continuación en Estadísticos marcamos Correlaciones parcial y semiparcial:

12 Obtendremos: Coeficientes no estandarizados Coeficient es estandari zados Coeficientes a Correlaciones B Error típ. Beta t Sig. Orden cero Parcial Semiparcial (Constante) -4,9,69 -,87,078 Inteligencia9,43E-0,09,77 3,83,004,760,63,57 Nivel Social6,637E-0,3,046,07,839,557,050,033 a. Variable dependiente: Calificación Obsérvese como la correlación simple (de orden cero) de Nivel social con Calificación es 0.557, la parcial la observada en la tabla anterior y la semiparcial Esto significa que la variable Nivel social contribuye (ella sola, sin lo que comparte con Inteligencia) en una proporción de = 0.00, o sea 0.% a las calificaciones. Por el contrario, la Inteligencia, cuando se le elimina lo que comparte con Nivel social, sigue contribuyendo en un 0.57 = 6.7% a las Calificaciones. Conviene aclarar la diferencia entre correlación semiparcial y parcial. Supongamos que tenemos dos regresores X y X, correlación semiparcial (al cuadrado) de la variable X es la proporción de variabilidad de Y debida exclusivamente a X. Es lo que aporta X a X hasta llegar a R y.. Más formalmente: R = R R y(.) y. y En el caso de la correlación parcial (al cuadrado) es esa misma contribución de X pero no del total de Y, sino de lo no explicado de Y por X. Esto es, X se ha sustraído de todas las variables. Su expresión será: R y. R = R y. y Ry 4.- Multicolinealidad en las variables explicativas Se dice que existe multicolinealidad entre las variables explicativas cuando existe algún tipo de dependencia lineal entre ellas, o lo que es lo mismo, si existe una fuerte correlación entre las mismas. La correlación no solamente se refiere a las distintas variables dos a dos, sino a cualquier de ellas con cualquier grupo de las restantes. Por esta razón no es suficiente (aunque sí necesaria) que en la matriz de correlaciones bivariadas haya correlaciones altas.

13 El principal inconveniente de la multicolinealidad consiste en que se incrementan la varianza de los coeficientes de regresión estimados hasta el punto que resulta prácticamente imposible establecer su significación estadística, ya que como se sabe, el valor de t para un determinado coeficiente de regresión es el valor de dicho coeficiente dividido por su desviación tipo. Si este es grande, el valor de t será bajo y no llegara a la significación. El SPSS adopta varios procedimientos para detectar multicolinealidad entre los predictores. El primero de ellos, basado en la correlación múltiple de un determinado regresor con los restantes se denomina Tolerancia de dicho regresor. Su valor es: Ri Siendo Ri la correlación multiple alcuadrado de dicho regresor con los restantes. Para que haya multicolinealidad dicha correlación ha de ser alta, o lo que es lo mismo la tolerancia baja. Además otro índice relacionado con éste y que nos da una idea del grado de aumento de la varianza se denomina Factor de Inflación de la Varianza, y es precisamente el recíproco de la tolerancia. Su valor es: VIFi = R y Para que no haya multicolinealidad el denominador tiene que valer cerca de la unidad, por tanto un poco más de el valor de VIF. Cuanto mayor sea de este valor mayor multicolinealidad habrá. La varianza de los estimadores tiene que ver con (X X) -, donde X es la matriz de regresores. Cuando las columnas de X son colineales, la matriz es singular y no tiene inversa. En este sentido los autovalores de la matriz X X (normalizada) nos puede proporcionar información del grado de singularidad de la misma. A este respecto, disponemos del Indice de Condición, cuyo valor es la raíz cuadrada del cociente entre el máximo autovalor y el mínimo de la matriz X X: Indice de condición= Autovalor Autovalor max min Se considera que a partir de un valor de 0 hay cierta multicolinealidad y que ésta es alta a partir de 30. Podemos conocer además qué variables presentan multicolinealidad analizando la proporción de varianza de los estimadores de los coeficientes de regresión en los componentes con un índice de condición alto. Variables, cuya proporción de varianza en dichos componentes, sea superior a 0.5 son indicativos de colinealidad. 3

14 En el ejemplo que estamos tratando, para conocer la posible colinealidad marcaremos en Regresión lineal/estadísticos, Diagnósticos de colinealidad: Con lo que obtendremos (además de otros resultados ya conocidos): Coeficientes no estandarizados Coeficientes a Coeficient es estandari zados B Error típ. Beta t Sig. Tolerancia FIV (Constante) -6,938,335-5,97,000 Inteligencia 7,79E-0,04,597 5,350,000,49,03 Horas de estudio,96,07,580 7,7,000,963,039 Nivel Social,90,63,00,787,093,487,05 a. Variable dependiente: Calificación Estadísticos de colinealidad Se observa que se ha añadido a lo que ya conocemos otros indicadores tales como la Tolerancia y el FIV. La variable Horas d estudio presenta una alta tolerancia y por tanto una pequeña FIV, lo que nos indica que no presenta colinealidad. Por el contrario las otras dos variables, Inteligencia y Nivel social son colineales. En esta tabla se nos indica qué variables son colineales pero no con cuales, aunque con tres variables y una que no lo es, no es difícil imaginarse lo que pasa. Pero puede haber más variables. Para ello recurrimos al Indice de condición y a la proporciones de varianzas en los distintos componentes. Así: 4

15 Diagnósticos de colinealidad a Dimensión 3 4 a. Variable dependiente: Calificación Proporciones de la varianza Indice de Horas de Autovalor condición (Constante) Inteligencia estudio Nivel Social 3,840,000,00,00,0,00,9 5,685,00,00,9,9 3,74E-0 0,9,09,0,70,30 4,03E-03 30,893,9,97,00,4 Se<observa que hay un índice de condición asignado al cuarto componente que vale , resultado de dividir entre y extraer la raíz cuadrada. En ese componente hay dos variables con una alta proporción: la constante, Inteligencia. El Nivel social no llega a rebasar el umbral de 0.5. La constante es el estimador del coeficiente ligado a la primera variable de la matriz X, que está formado precisamente por un vector de. Si trabajamos con variables centradas, resolveremos algunos problemas de multicolinealidad. Así si restamos a cada una de las variables explicativas su media y realizamos de nuevo la regresión, obtendremos en diagnósticos de colinealidad: Diagnósticos de colinealidad a Dimensión 3 4 a. Variable dependiente: Calificación Indice de Proporciones de la varianza Autovalor condición (Constante) INT HORAS NSOCIAL,707,000,00,4,00,4,0,99,00,0,93,00,000,306,00,00,00,00,8,46,00,85,07,86 Se observa que el mayor índice de condición es muy bajo (.46) y por tanto no hay multicolinealidad, al menos en un sentido importante, que altere la estimación mínimo cuadrática de nuestro modelo. 5

Regresión lineal múltiple

Regresión lineal múltiple . egresión lineal múltiple egresión lineal múltiple. Introducción. En el tema anterior estudiamos la correlación entre dos variables y las predicciones que pueden hacerse de una de ellas a partir del conocimiento

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

Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales

Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales Cuando se analizan datos, el interés del analista suele centrarse en dos grandes objetivos:

Más detalles

Capítulo 18 Análisis de regresión lineal El procedimiento Regresión lineal

Capítulo 18 Análisis de regresión lineal El procedimiento Regresión lineal Capítulo 18 Análisis de regresión lineal El procedimiento Regresión lineal Introducción El análisis de regresión lineal es una técnica estadística utilizada para estudiar la relación entre variables. Se

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

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3 Capítulo 3 1. Introducción El análisis de regresión lineal, en general, nos permite obtener una función lineal de una o más variables independientes o predictoras (X1, X2,... XK) a partir de la cual explicar

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

El Análisis de la Regresión a través de SPSS

El Análisis de la Regresión a través de SPSS El Análisis de la Regresión a través de SPSS M. D olores M artínez M iranda Profesora del D pto. E stadística e I.O. U niversidad de G ranada Referencias bibliográficas. Hair, J.F., Anderson, R.E., Tatham,

Más detalles

Capítulo 18. Análisis de regresión lineal: El procedimiento Regresión lineal. Introducción

Capítulo 18. Análisis de regresión lineal: El procedimiento Regresión lineal. Introducción Capítulo 18 Análisis de regresión lineal: El procedimiento Regresión lineal Introducción El análisis de regresión lineal es una técnica estadística utilizada para estudiar la relación entre variables.

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

T. 5 Inferencia estadística acerca de la relación entre variables

T. 5 Inferencia estadística acerca de la relación entre variables T. 5 Inferencia estadística acerca de la relación entre variables 1. El caso de dos variables categóricas 2. El caso de una variable categórica y una variable cuantitativa 3. El caso de dos variables cuantitativas

Más detalles

ANÁLISIS DISCRIMINANTE

ANÁLISIS DISCRIMINANTE ANÁLISIS DISCRIMINANTE ANÁLISIS DISCRIMINANTE 1. Introducción 2. Etapas 3. Caso práctico Análisis de dependencias introducción varias relaciones una relación 1 variable dependiente > 1 variable dependiente

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

ESTUDIO DEL MERCADO AUTOMOTRIZ EN EEUU FERULLO SERGIO

ESTUDIO DEL MERCADO AUTOMOTRIZ EN EEUU FERULLO SERGIO ESTUDIO DEL MERCADO AUTOMOTRIZ EN EEUU FERULLO SERGIO INTRODUCCION A continuación se presenta un modelo sobre las ventas de autos de pasajeros en Estados Unidos. Se debe recordar que Estados Unidos posee

Más detalles

BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL

BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL Ramón Mahía Febrero 013 Prof. Ramón Mahía ramon.mahia@uam.es Qué se entiende por Multicolinealidad en el marco

Más detalles

DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA

DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA 2011 UNED DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA 7] Diseños con más de dos grupos independientes. Análisis de varianza con dos factores completamente aleatorizados 1 Índice 7.1 Introducción...

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

Servicio de Medicina Interna. Hospital Universitario Virgen Macarena. Sevilla

Servicio de Medicina Interna. Hospital Universitario Virgen Macarena. Sevilla DOCUWEB FABIS Dot. úm 0702005 Cómo realizar paso a paso un contraste de hipótesis con SPSS para Windows: (III) Relación o asociación y análisis de la dependencia (o no) entre dos variables cuantitativas.

Más detalles

Modelos de regresión: lineal simple y regresión logística

Modelos de regresión: lineal simple y regresión logística 14 Modelos de regresión: lineal simple y regresión logística Irene Moral Peláez 14.1. Introducción Cuando se quiere evaluar la relación entre una variable que suscita especial interés (variable dependiente

Más detalles

CORRELACIONES CON SPSS

CORRELACIONES CON SPSS ESCUEL SUPERIOR DE INFORMÁTIC Prácticas de Estadística CORRELCIONES CON SPSS 1.- INTRODUCCIÓN El concepto de relación o correlación entre dos variables se refiere al grado de parecido o variación conjunta

Más detalles

Cómo obtener un Modelo de Regresión Logística Binaria con SPSS

Cómo obtener un Modelo de Regresión Logística Binaria con SPSS Universitat de de Barcelona. Institut de de Ciències de de l Educació Cómo obtener un Modelo de Regresión Logística Binaria con SPSS Vanesa Berlanga-Silvente y Ruth Vilà-Baños Fecha de presentación:

Más detalles

Aplicaciones de Estadística Descriptiva

Aplicaciones de Estadística Descriptiva Aplicaciones de Estadística Descriptiva Contenidos de la presentación Funciones estadísticas en Excel. Gráficos. El módulo de análisis de datos y las tablas dinámicas de Excel. Información Intentaremos

Más detalles

MANUAL SIMPLIFICADO DE ESTADÍSTICA APLICADA VIA SPSS

MANUAL SIMPLIFICADO DE ESTADÍSTICA APLICADA VIA SPSS 1 MANUAL SIMPLIFICADO DE ESTADÍSTICA APLICADA VIA SPSS Medidas de tendencia central Menú Analizar: Los comandos del menú Analizar (Estadística) ejecutan los procesamientos estadísticos. Sus comandos están

Más detalles

ASOCIACIÓN LINEAL ENTRE VARIABLES CUANTITATIVAS: la correlación de Pearson

ASOCIACIÓN LINEAL ENTRE VARIABLES CUANTITATIVAS: la correlación de Pearson ASOCIACIÓN LINEAL ENTRE VARIABLES CUANTITATIVAS: la correlación de Pearson 3datos 2011 Análisis BIVARIADO de variables cuantitativas OBJETIVO DETERMINAR 1º) si existe alguna relación entre las variables;

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

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

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

Puede considerarse un caso especial de l análisis de regresión en donde la variable dependiente es dicotómica («Sí» [1] o «No» [0])

Puede considerarse un caso especial de l análisis de regresión en donde la variable dependiente es dicotómica («Sí» [1] o «No» [0]) Regresión logística Puede considerarse un caso especial de l análisis de regresión en donde la variable dependiente es dicotómica («Sí» [1] o «No» [0]) Se trata de calcular la probabilidad en la que una

Más detalles

Técnicas de regresión: Regresión Lineal Múltiple

Técnicas de regresión: Regresión Lineal Múltiple Investigación: Técnicas de regresión: regresión lineal múltiple 1/1 Técnicas de regresión: Regresión Lineal Múltiple Pértega Díaz S., Pita Fernández S. Unidad de Epidemiología Clínica y Bioestadística.

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

Capítulo 20. Análisis factorial: El procedimiento Análisis factorial. Introducción

Capítulo 20. Análisis factorial: El procedimiento Análisis factorial. Introducción Capítulo 20 Análisis factorial: El procedimiento Análisis factorial Introducción El análisis factorial es una técnica de reducción de datos que sirve para encontrar grupos homogéneos de variables a partir

Más detalles

Capítulo 14. Análisis de varianza de un factor: El procedimiento ANOVA de un factor

Capítulo 14. Análisis de varianza de un factor: El procedimiento ANOVA de un factor Capítulo 14 Análisis de varianza de un factor: El procedimiento ANOVA de un factor El análisis de varianza (ANOVA) de un factor sirve para comparar varios grupos en una variable cuantitativa. Se trata,

Más detalles

UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST

UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST 7.1. ANÁLISIS DE LOS ÍTEMS Al comenzar la asignatura ya planteábamos que uno de los principales problemas a los que nos enfrentábamos a la hora

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

La demanda de plazas en la licenciatura de Medicina en España

La demanda de plazas en la licenciatura de Medicina en España La demanda de plazas en la licenciatura de Medicina en España Estudio econométrico por Comunidades Autónomas de la demanda de plazas en las facultades de Medicina españolas para el curso 2006/2007 Asignatura:

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

UNIVERSIDAD DE CIENCIAS EMPRESARIALES Y SOCIALES. Facultad de Psicología y Ciencias Sociales. Carrera Sociología

UNIVERSIDAD DE CIENCIAS EMPRESARIALES Y SOCIALES. Facultad de Psicología y Ciencias Sociales. Carrera Sociología UNIVERSIDD DE CIENCIS EMPRESRILES Y SOCILES Facultad de Psicología y Ciencias Sociales Carrera Sociología Curso ESTDÍSTIC STIC I Clase 6: nálisis de Correlación n Lineal Simple Prof. Titular: Lic. Rubén

Más detalles

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez Curso de Análisis de investigaciones con programas Informáticos 1 UNIVERSIDAD DE JAÉN Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos

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

Tema III. Capítulo 2. Sistemas generadores. Sistemas libres. Bases.

Tema III. Capítulo 2. Sistemas generadores. Sistemas libres. Bases. Tema III Capítulo 2 Sistemas generadores Sistemas libres Bases Álgebra Lineal I Departamento de Métodos Matemáticos y de Representación UDC 2 Sistemas generadores Sistemas libres Bases 1 Combinación lineal

Más detalles

Métodos y Diseños utilizados en Psicología

Métodos y Diseños utilizados en Psicología Métodos y Diseños utilizados en Psicología El presente documento pretende realizar una introducción al método científico utilizado en Psicología para recoger información acerca de situaciones o aspectos

Más detalles

Aula Banca Privada. La importancia de la diversificación

Aula Banca Privada. La importancia de la diversificación Aula Banca Privada La importancia de la diversificación La importancia de la diversificación La diversificación de carteras es el principio básico de la operativa en mercados financieros, según el cual

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

Capítulo 16 Análisis de varianza con medidas repetidas: El procedimiento MLG: Medidas repetidas

Capítulo 16 Análisis de varianza con medidas repetidas: El procedimiento MLG: Medidas repetidas Capítulo 6 Análisis de varianza con medidas repetidas: El procedimiento MLG: Medidas repetidas Los modelos de análisis de varianza (ANOVA) con medidas repetidas (MR) sirven para estudiar el efecto de uno

Más detalles

SESIÓN PRÁCTICA 6: CONTRASTES DE HIPÓTESIS PROBABILIDAD Y ESTADÍSTICA. PROF. Esther González Sánchez. Departamento de Informática y Sistemas

SESIÓN PRÁCTICA 6: CONTRASTES DE HIPÓTESIS PROBABILIDAD Y ESTADÍSTICA. PROF. Esther González Sánchez. Departamento de Informática y Sistemas SESIÓN PRÁCTICA 6: CONTRASTES DE HIPÓTESIS PROBABILIDAD Y ESTADÍSTICA PROF. Esther González Sánchez Departamento de Informática y Sistemas Facultad de Informática Universidad de Las Palmas de Gran Canaria

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

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

Análisis multivariable

Análisis multivariable Análisis multivariable Las diferentes técnicas de análisis multivariante cabe agruparlas en tres categorías: «Análisis de dependencia» tratan de explicar la variable considerada independiente a través

Más detalles

Cómo aplicar las pruebas paramétricas bivariadas t de Student y ANOVA en SPSS. Caso práctico.

Cómo aplicar las pruebas paramétricas bivariadas t de Student y ANOVA en SPSS. Caso práctico. Universitat de de Barcelona. Institut de de Ciències de de l Educació Cómo aplicar las pruebas paramétricas bivariadas t de Student y ANOVA en SPSS. Caso práctico. María José Rubio

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

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

ANÁLISIS DE LA VARIANZA PARTE SEGUNDA

ANÁLISIS DE LA VARIANZA PARTE SEGUNDA ANÁLISIS DE LA VARIANZA PARTE SEGUNDA Septiembre de 2012 Índice general 1. INTRODUCCIÓN............................... 1 2. FUNDAMENTOS DEL DISEÑO EN BLOQUES ALEATORIZADOS 1 3. EJEMPLO DE DISEÑO EN BLOQUES

Más detalles

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 1 de agosto de 2003 1. Introducción Cualquier modelo de una situación es una simplificación de la situación real. Por lo tanto,

Más detalles

TABLAS DE CONTINGENCIA (CROSS-TAB): BUSCANDO RELACIONES DE DEPENDENCIA ENTRE VARIABLES CATEGÓRICAS 1

TABLAS DE CONTINGENCIA (CROSS-TAB): BUSCANDO RELACIONES DE DEPENDENCIA ENTRE VARIABLES CATEGÓRICAS 1 TABLAS DE CONTINGENCIA (CROSS-TAB): BUSCANDO RELACIONES DE DEPENDENCIA ENTRE VARIABLES CATEGÓRICAS 1 rafael.dearce@uam.es El objeto de las tablas de contingencia es extraer información de cruce entre dos

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

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

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

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

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

Tema 2: Estadística Descriptiva Multivariante

Tema 2: Estadística Descriptiva Multivariante Tema 2: Estadística Descriptiva Multivariante Datos multivariantes: estructura y notación Se llama población a un conjunto de elementos bien definidos. Por ejemplo, la población de las empresas de un país,

Más detalles

PRACTICA 2002_2003 /2 VALIDEZ CRITERIAL (ANÁLISIS DE COMPONENTES PRINCIPALES, CORRELACIÓN Y REGRESIÓN LINEAL MÚLTIPLE) Psicometría. Prof. J. L.

PRACTICA 2002_2003 /2 VALIDEZ CRITERIAL (ANÁLISIS DE COMPONENTES PRINCIPALES, CORRELACIÓN Y REGRESIÓN LINEAL MÚLTIPLE) Psicometría. Prof. J. L. Prof. J.L. Melià. Pràctica 00/03. Pagina / 6 PRACTICA 00_003 / VALIDEZ CRITERIAL (ANÁLISIS DE COMPONENTES PRINCIPALES, CORRELACIÓN Y REGRESIÓN LINEAL MÚLTIPLE) Psicometría. Prof. J. L. Melià Bibliografía

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

Tema 2. Espacios Vectoriales. 2.1. Introducción

Tema 2. Espacios Vectoriales. 2.1. Introducción Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por

Más detalles

Análisis de medidas conjuntas (conjoint analysis)

Análisis de medidas conjuntas (conjoint analysis) Análisis de medidas conuntas (conoint analysis). Introducción Como ya hemos dicho anteriormente, esta técnica de análisis nos sirve para analizar la importancia que dan los consumidores a cada uno de los

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

PRUEBA DE KOLMOGOROV SMIRNOV (Contraste sobre la forma de la distribución) F(X) es la función de distribución que hipotetizamos.

PRUEBA DE KOLMOGOROV SMIRNOV (Contraste sobre la forma de la distribución) F(X) es la función de distribución que hipotetizamos. PRUEBA DE KOLMOGOROV SMIRNOV (Contraste sobre la forma de la distribución) PRUEBAS NO PARAMÉTRICAS F(X) es la función de distribución que hipotetizamos. Fs(X) es la probabilidad o proporción teórica de

Más detalles

Muy en desacuerdo 1 2 3 4 5 Muy de acuerdo

Muy en desacuerdo 1 2 3 4 5 Muy de acuerdo Aplicación del análisis factorial a la valoración por parte de los estudiantes de las asignaturas de la ETSICCP de Barcelona en sus distintas titulaciones. Camino Balbuena Martínez, Dpt. de Matemática

Más detalles

Reformas impositivas y crecimiento económico. César Pérez López Instituto de Estudios Fiscales (cesar.perez@ief.minhap.es)

Reformas impositivas y crecimiento económico. César Pérez López Instituto de Estudios Fiscales (cesar.perez@ief.minhap.es) Reformas impositivas y crecimiento económico César Pérez López Instituto de Estudios Fiscales (cesar.perez@ief.minhap.es) Nuria Badenes Pla Instituto de Estudios Fiscales (nuria.badenes@ief.minhap.es)

Más detalles

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Capítulo 10 Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Al analizar datos, lo primero que conviene hacer con una variable es, generalmente, formarse una idea lo más exacta posible

Más detalles

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

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

Gráfico de Dispersión de Notas en la Prueba 1 versus Notas en la Prueba Final Acumulativa de un curso de 25 alumnos de Estadística en la UTAL

Gráfico de Dispersión de Notas en la Prueba 1 versus Notas en la Prueba Final Acumulativa de un curso de 25 alumnos de Estadística en la UTAL 0. Describiendo relaciones entre dos variables A menudo nos va a interesar describir la relación o asociación entre dos variables. Como siempre la metodología va a depender del tipo de variable que queremos

Más detalles

Control Estadístico de Procesos

Control Estadístico de Procesos Control Estadístico de Procesos Gráficos de Control Los gráficos de control o cartas de control son una importante herramienta utilizada en control de calidad de procesos. Básicamente, una Carta de Control

Más detalles

MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN

MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN Suponga que le pedimos a un grupo de estudiantes de la asignatura de estadística que registren su peso en kilogramos. Con los datos del peso de los estudiantes

Más detalles

Espacios vectoriales y aplicaciones lineales

Espacios vectoriales y aplicaciones lineales Capítulo 3 Espacios vectoriales y aplicaciones lineales 3.1 Espacios vectoriales. Aplicaciones lineales Definición 3.1 Sea V un conjunto dotado de una operación interna + que llamaremos suma, y sea K un

Más detalles

Capítulo 4 MEDIDA DE MAGNITUDES. Autor: Santiago Ramírez de la Piscina Millán

Capítulo 4 MEDIDA DE MAGNITUDES. Autor: Santiago Ramírez de la Piscina Millán Capítulo 4 MEDIDA DE MAGNITUDES Autor: Santiago Ramírez de la Piscina Millán 4 MEDIDA DE MAGNITUDES 4.1 Introducción El hecho de hacer experimentos implica la determinación cuantitativa de las magnitudes

Más detalles

Manual SBR. Pero antes de explicar las actividades que principalmente podemos desarrollar vamos a dar una visión global de la aplicación.

Manual SBR. Pero antes de explicar las actividades que principalmente podemos desarrollar vamos a dar una visión global de la aplicación. Manual SBR Este proyecto consta de una herramienta denominada SBR mediante la cual el usuario podrá realizar principalmente las siguientes actividades: Crear un nuevo dominio. Modificar el dominio existente.

Más detalles

Tema 3. Espacios vectoriales

Tema 3. Espacios vectoriales Tema 3. Espacios vectoriales Estructura del tema. Definición y propiedades. Ejemplos. Dependencia e independencia lineal. Conceptos de base y dimensión. Coordenadas Subespacios vectoriales. 0.1. Definición

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

Análisis de los Municipios Turísticos de Andalucía

Análisis de los Municipios Turísticos de Andalucía Análisis de los Municipios Turísticos de Andalucía UNIVERSIDAD DE MÁLAGA DPTO. ECONOMÍA APLICADA-POLÍTICA ECONÓMICA Febrero, 2004 EQUIPO DE TRABAJO: Pedro Raya Mellado. Profesor Titular de Economía Aplicada.

Más detalles

BASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.

BASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases. BASES Y DIMENSIÓN Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho espacio o subespacio, que sea a la vez linealmente independiente. β Propiedades

Más detalles

MANUAL PARA EL USO DE SPSS

MANUAL PARA EL USO DE SPSS MANUAL PARA EL USO DE SPSS 1 INTRODUCCIÓN El propósito de este manual, es ilustrar con un ejemplo cómo generar tablas de frecuencia, tablas de contingencia, cálculos de medias, así como la generación de

Más detalles

Indicaciones específicas para los análisis estadísticos.

Indicaciones específicas para los análisis estadísticos. Tutorial básico de PSPP: Vídeo 1: Describe la interfaz del programa, explicando en qué consiste la vista de datos y la vista de variables. Vídeo 2: Muestra cómo crear una base de datos, comenzando por

Más detalles

ESTADÍSTICA DESCRIPTIVA CON SPSS

ESTADÍSTICA DESCRIPTIVA CON SPSS ESTADÍSTICA DESCRIPTIVA CON SPSS (2602) Estadística Económica Joaquín Alegre y Magdalena Cladera SPSS es una aplicación para el análisis estadístico. En este material se presentan los procedimientos básicos

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

Análisis de Regresión y Correlación con MINITAB

Análisis de Regresión y Correlación con MINITAB Análisis de Regresión y Correlación con MINITAB Primeras definiciones y conceptos de la regresión El análisis de la regresión es una técnica estadística que se utiliza para estudiar la relación entre variables

Más detalles

342 SOBRE FORMAS TERNARIAS DE SEGUNDO GRADO.

342 SOBRE FORMAS TERNARIAS DE SEGUNDO GRADO. 342 SOBRE FORMAS TERNARIAS DE SEGUNDO GRADO. ALGUNAS APLICACIONES A LA TEORIA DE LAS FORMAS BINARIAS. Encontrar una forma cuya duplicación produce una forma dada del género principal. Puesto que los elementos

Más detalles

CAPITULO VI. AMPERIMETRO, VOLTIMETRO, OHMETRO y MULTIMETRO

CAPITULO VI. AMPERIMETRO, VOLTIMETRO, OHMETRO y MULTIMETRO CAPITULO VI AMPERIMETRO, VOLTIMETRO, OHMETRO y MULTIMETRO 6.1 INTRODUCCION. En el Capítulo V estudiamos uno de los dispositivos más útiles para detectar el paso de una corriente por un circuito: El galvanómetro

Más detalles

Una serie temporal o cronológica es en una sucesión de valores que adopta una variable (Y):

Una serie temporal o cronológica es en una sucesión de valores que adopta una variable (Y): INTRODUCCIÓN Nos vamos a ocupar ahora de estudiar un fenómeno desde la perspectiva temporal, observando su evolución a través del tiempo, lo que se denomina investigación diacrónica o longitudinal, en

Más detalles

Estacionalidad. Series de tiempo. Modelos econométricos. Modelos econométricos. Q= T Kα Lβ

Estacionalidad. Series de tiempo. Modelos econométricos. Modelos econométricos. Q= T Kα Lβ Estacionalidad Qué es la estacionalidad? La estacionalidad es una componente que se presenta en series de frecuencia inferior a la anual (mensual, trimestral,...), y supone oscilaciones a corto plazo de

Más detalles

Guías Excel 2007 Matrices Guía 77

Guías Excel 2007 Matrices Guía 77 MATRICES Las hojas de cálculo poseen prestaciones interesantes la gestión de matrices de tipo matemático. Unas consisten en facilitar los cálculos matriciales y otras están orientadas a cálculos estadísticos.

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

RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7)

RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7) Caracterización de las fuentes y formación de escalas de tiempo Rec. UIT-R TF.538-3 1 RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7)

Más detalles

EL DISEÑO FACTORIAL COMPLETO 2 k

EL DISEÑO FACTORIAL COMPLETO 2 k EL DISEÑO FACTORIAL COMPLETO 2 k Joan Ferré Grupo de Quimiometría y Cualimetría Departamento de Química Analítica y Química Orgánica Universidad Rovira i Virgili (Tarragona) INTRODUCCIÓN En el primer artículo

Más detalles

ESTUDIO DE LOS EJEMPLOS RESUELTOS 7.1, 7.2 Y 7.8 DEL LIBRO DE FUNDAMENTOS FÍSICOS DE LA INFORMÁTICA.

ESTUDIO DE LOS EJEMPLOS RESUELTOS 7.1, 7.2 Y 7.8 DEL LIBRO DE FUNDAMENTOS FÍSICOS DE LA INFORMÁTICA. ESTUIO E LOS EJEMPLOS RESUELTOS.1,.2 Y.8 EL LIRO E FUNMENTOS FÍSIOS E L INFORMÁTI. Resolver un circuito implica conocer las intensidades que circula por cada una de sus ramas lo que permite conocer la

Más detalles

Valores y vectores propios de una matriz. Juan-Miguel Gracia

Valores y vectores propios de una matriz. Juan-Miguel Gracia Juan-Miguel Gracia Índice 1 Valores propios 2 Polinomio característico 3 Independencia lineal 4 Valores propios simples 5 Diagonalización de matrices 2 / 28 B. Valores y vectores propios Definiciones.-

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

El concepto de asociación estadística. Tema 6 Estadística aplicada Por Tevni Grajales G.

El concepto de asociación estadística. Tema 6 Estadística aplicada Por Tevni Grajales G. El concepto de asociación estadística Tema 6 Estadística aplicada Por Tevni Grajales G. En gran medida la investigación científica asume como una de sus primera tareas, identificar las cosas (características

Más detalles

Statgraphics Centurión

Statgraphics Centurión Facultad de Ciencias Económicas y Empresariales. Universidad de Valladolid 1 Statgraphics Centurión I.- Nociones básicas El paquete Statgraphics Centurión es un programa para el análisis estadístico que

Más detalles

UNED. [TEMA 3] Análisis de datos para diseños de dos grupos. Muestras independientes.

UNED. [TEMA 3] Análisis de datos para diseños de dos grupos. Muestras independientes. 2009 UNED [TEMA 3] Análisis de datos para diseños de dos grupos. Muestras independientes. 1 ÍNDICE 3.1 Introducción 3.2 Objetivos 3.3 Muestras independientes o relacionadas 3.4 Contraste de hipótesis sobre

Más detalles