ANÁLISIS DISCRIMINANTE
|
|
- Ángeles Torres Camacho
- hace 8 años
- Vistas:
Transcripción
1 ANÁLISIS DISCRIMINANTE
2 ANÁLISIS DISCRIMINANTE 1. Introducción 2. Etapas 3. Caso práctico
3 Análisis de dependencias introducción varias relaciones una relación 1 variable dependiente > 1 variable dependiente dependencia dependencia dependencia dependencia métrica no métrica métrica no métrica independencia no métrica independencia métrica ecuaciones regresión análisis Regresión correlación MANOVA estructurales múltiple discriminante logística canónica
4 introducción Técnica de clasificación. - Ayuda acomprender las diferenciasi entre grupos.
5 introducción Técnica de clasificación. - Ayuda acomprender las diferenciasi entre grupos. - Explica, en función de variables métricas observadas, porqué los casos de estudio se encuentran asociados a distintos niveles de un factor.
6 introducción Técnica de clasificación. - Ayuda acomprender las diferenciasi entre grupos. - Explica, en función de variables métricas observadas, porqué los casos de estudio se encuentran asociados a distintos niveles de un factor. - Puede ser descriptivo o predictivo.
7 introducción Técnica de clasificación. - Ayuda acomprender las diferenciasi entre grupos. - Explica, en función de variables métricas observadas, porqué los casos de estudio se encuentran asociados a distintos niveles de un factor. - Puede ser descriptivo o predictivo. - Necesita que los grupos sean conocidos apriori.
8 introducción Análisis discriminante descriptivo. - Objetivo. Caracterizar los productores caprinos pampeanos.
9 introducción Análisis discriminante descriptivo. - Objetivo. Caracterizar los productores caprinos pampeanos. - Diseño. Una muestra aleatoria de 100 productores caprinos pampeanos y 100 no pampeanos; y se toman datos del sistema de producción, sus resultados técnicos y económicos.
10 introducción Análisis discriminante descriptivo. - Objetivo. Caracterizar los productores caprinos pampeanos. - Diseño. Una muestra aleatoria de 100 productores caprinos pampeanos y 100 no pampeanos; y se toman datos del sistema de producción, sus resultados técnicos y económicos. Resultado El análisis discriminante establecerá la - Resultado. El análisis discriminante establecerá la importancia relativa de cada variable permitiendo orientar mejor la política provincial.
11 introducción Análisis discriminante descriptivo. Obj ti Vl d é d d l fid lid d d - Objetivo. Valorar de qué depende la fidelidad de un ganadero a una determinada fábrica de balanceado.
12 introducción Análisis discriminante descriptivo. - Objetivo. Vl Valorar de qué depended la fidelidad d de un ganadero a una determinada fábrica de balanceado. - Diseño. Se encuesta a 30 ganaderos sobre la posibilidad de cambiar de balanceado y sobre la percepción que tienen de su servicio (precio, distribución, etc.).
13 introducción Análisis discriminante descriptivo. - Objetivo. Vl Valorar de qué depended la fidelidad d de un ganadero a una determinada fábrica de balanceado. - Diseño. Se encuesta a 30 ganaderos sobre la posibilidad de cambiar de balanceado y sobre la percepción que tienen de su servicio (precio, distribución, etc.). - Resultado. El análisis permitirá conocer la importancia relativa del servicio en la fidelidad del cliente.
14 introducción Análisis discriminante predictivo. Obj ti P l i d id d l ti l - Objetivo. Prever el riesgo de morosidad relativa a los préstamos en una entidad bancaria.
15 introducción Análisis discriminante predictivo. - Objetivo. Prever el riesgo de morosidad d relativa a los préstamos en una entidad bancaria. - Diseño. En el fichero de clientes morosos y no morosos se observan variables cuantitativas potencialmente explicativas: renta total, edad, créditos adicionales, años de estabilidad laboral,...
16 introducción Análisis discriminante predictivo. - Objetivo. Prever el riesgo de morosidad d relativa a los préstamos en una entidad bancaria. - Diseño. En el fichero de clientes morosos y no morosos se observan variables cuantitativas potencialmente explicativas: renta total, edad, créditos adicionales, años de estabilidad laboral,... - Resultado. El análisis permitirá anticipar el riesgo de morosidad de nuevos clientes.
17 introducción Cuáles son los factores que influyen en el desarrollo de la fiebre aftosa? Es posible predecir de antemano que una explotación corre riesgo?
18 introducción Cuáles son los factores que influyen en el desarrollo de la fiebre aftosa? Es posible predecir de antemano que una explotación corre riesgo? Se puede predecir de antemano si un frigorífico no va a cumplir la reglamentación sanitaria?
19 introducción Cuáles son los factores que influyen en el desarrollo de la fiebre aftosa? Es posible predecir de antemano que una explotación corre riesgo? Se puede predecir de antemano si un frigorífico no va a cumplir la reglamentación sanitaria? Se puede predecir si una explotación va a quebrar?
20 introducción Cuáles son los factores que influyen en el desarrollo de la fiebre aftosa? Es posible predecir de antemano que una explotación corre riesgo? Se puede predecir de antemano si un frigorífico no va a cumplir la reglamentación sanitaria? Se puede predecir si una explotación va a quebrar? Cuáles son las razones que llevan a un consumidor a Cuáles son las razones que llevan a un consumidor a preferir una determinada raza sobre otras existentes en el mercado?
21 introducción Cuáles son los factores que influyen en el desarrollo de la fiebre aftosa? Es posible predecir de antemano que una explotación corre riesgo? Se puede predecir de antemano si un frigorífico no va a cumplir la reglamentación sanitaria? Se puede predecir si una explotación va a quebrar? Cuáles son las razones que llevan a un consumidor a preferir una determinada raza sobre otras existentes en el mercado? Existe discriminación por razones de sexo o de raza en la Universidad?
22 introducción Etapas del análisis discriminante. 1. Planteamiento t del problema 2. Selección de variables dependiente e independientes 3. Selección del tamaño muestral 4. Comprobación de las hipótesis de partida 5. Estimación del modelo 6. Validación de las funciones discriminantes 7. Contribución de las variables a la capacidad discriminante 8. Valoración de la capacidad predictiva 9. Selección de variables
23 1. Planteamiento del problema. planteamiento del problema n casos divididos en q grupos que constituyen una - n casos divididos en q grupos que constituyen una partición de la población de la que dichos casos proceden (o dos poblaciones)
24 1. Planteamiento del problema. planteamiento del problema - n casos divididos en q grupos que constituyen una partición de la población de la que dichos casos proceden (o dos poblaciones) - Y=(Y 1,...,Y p ) es el conjunto de variables numéricas observadas sobre dichos casos
25 1. Planteamiento del problema. planteamiento del problema - n casos divididos en q grupos que constituyen una partición de la población de la que dichos casos proceden (o dos poblaciones) - Y=(Y 1,...,Y p ) es el conjunto de variables numéricas observadas sobre dichos casos - Los objetivos del análisis discriminante pueden ser: - Analizar si existen diferencias entre los grupos Analizar si existen diferencias entre los grupos respecto a las variables consideradas y averiguar en qué sentido
26 1. Planteamiento del problema. planteamiento del problema - n casos divididos en q grupos que constituyen una partición de la población de la que dichos casos proceden (o dos poblaciones) - Y=(Y 1,...,Y p ) es el conjunto de variables numéricas observadas sobre dichos casos - Los objetivos del análisis discriminante pueden ser: - Analizar si existen diferencias entre los grupos respecto a las variables consideradas y averiguar en qué sentido - Elaborar procedimientos de clasificación sistemática de individuos de origen desconocido
27 Ejemplo. planteamiento del problema - La Universidad desea establecer las diferencias entre dos razas bovinas. - Para ello, estudia 8 variables morfológicas en 1000 animales de 30 explotaciones.
28 Ejemplo planteamiento del problema El objetivo es determinar si existen diferencias en ambas - El objetivo es determinar si existen diferencias en ambas razas, y en caso de que existan determinar en qué sentido se dan dichas diferencias.
29 Ejemplo planteamiento del problema - El objetivo es determinar si existen diferencias en ambas razas, y en caso de que existan determinar en qué sentido se dan dichas diferencias. - En este caso: - Variables independientes: 8 medidas biométricas
30 Ejemplo planteamiento del problema - El objetivo es determinar si existen diferencias en ambas razas, y en caso de que existan determinar en qué sentido se dan dichas diferencias. - En este caso: - Variables independientes: 8 medidas biométricas - Variable dependiente: raza (braford vs aberdeen)
31 Ejemplo planteamiento del problema - El objetivo es determinar si existen diferencias en ambas razas, y en caso de que existan determinar en qué sentido se dan dichas diferencias. - En este caso: - Variables independientes: 8 medidas biométricas - Variable dependiente: raza (braford vs aberdeen) - n = n1 + n2; 1000 = 600 braford aberdeen
32 Ejemplo planteamiento del problema - El objetivo es determinar si existen diferencias en ambas razas, y en caso de que existan determinar en qué sentido se dan dichas diferencias. - En este caso: - Variables independientes: 8 medidas biométricas - Variable dependiente: raza (braford vs aberdeen) - n = n1 + n2; 1000 = 600 braford aberdeen - El fin último es encontrar una regla que permita clasificar adecuadamente nuevos animales
33 Clasificación planteamiento del problema Necesita que los grupos sea conocidos a priori Elaboración de funciones matemáticas Reglas de Clasificación n 1 + n 2 = n n 1 Medidas 8 variables aleatorias n 2 Perfil de cada población Población A (braford) E i AoB Población B (aberdeen)
34 2. Selección de variables. selección de variables - La variable dependiente debe ser no métrica
35 2. Selección de variables. selección de variables - La variable dependiente debe ser no métrica - Los grupos deben ser mutuamente excluyentes
36 2. Selección de variables. selección de variables - La variable dependiente debe ser no métrica - Los grupos deben ser mutuamente excluyentes - Puede ser métrica en origen - P.e. Superficie: pequeña, mediana, grande
37 2. Selección de variables. selección de variables - La variable dependiente debe ser no métrica - Los grupos deben ser mutuamente excluyentes - Puede ser métrica en origen - P.e. Superficie: pequeña, mediana, grande - La decisión sobre el número de categorías:
38 2. Selección de variables. selección de variables - La variable dependiente debe ser no métrica - Los grupos deben ser mutuamente excluyentes - Puede ser métrica en origen - P.e. Superficie: pequeña, mediana, grande - La decisión sobre el número de categorías: - Debe ajustarse al poder discriminante de los Debe ajustarse al poder discriminante de los predictores
39 2. Selección de variables. selección de variables - La variable dependiente debe ser no métrica - Los grupos deben ser mutuamente excluyentes - Puede ser métrica en origen - P.e. Superficie: pequeña, mediana, grande - La decisión sobre el número de categorías: - Debe ajustarse al poder discriminante de los predictores - Puede observarse en etapas sucesivas y optar sólo Puede observarse en etapas sucesivas y optar sólo por el enfoque de extremos polares
40 2. Selección de variables. selección de variables - La variable dependiente debe ser no métrica - Los grupos deben ser mutuamente excluyentes - Puede ser métrica en origen - P.e. Superficie: pequeña, mediana, grande - La decisión sobre el número de categorías: - Debe ajustarse al poder discriminante de los predictores - Puede observarse en etapas sucesivas y optar sólo por el enfoque de extremos polares - P.e. Superficie: pequeña o grande
41 3. Selección del tamaño muestral. selección de variables - Alta sensibilidad al tamaño muestral.
42 3. Selección del tamaño muestral. selección de variables - Alta sensibilidad al tamaño muestral. - Por lo menos 5 casos por variable independiente.
43 3. Selección del tamaño muestral. selección de variables - Alta sensibilidad al tamaño muestral. - Por lo menos 5 casos por variable independiente. - Ideal, 20 casos por variable.
44 3. Selección del tamaño muestral. selección de variables - Alta sensibilidad al tamaño muestral. - Por lo menos 5 casos por variable independiente. - Ideal, 20 casos por variable. - Alta sensibilidad al tamaño de los grupos.
45 3. Selección del tamaño muestral. selección de variables - Alta sensibilidad al tamaño muestral. - Por lo menos 5 casos por variable independiente. - Ideal, 20 casos por variable. - Alta sensibilidad al tamaño de los grupos. - No es necesario que los grupos tengan el mismo número No es necesario que los grupos tengan el mismo número de casos, aunque es recomendable.
46 3. Selección del tamaño muestral. selección de variables - Alta sensibilidad al tamaño muestral. - Por lo menos 5 casos por variable independiente. - Ideal, 20 casos por variable. - Alta sensibilidad al tamaño de los grupos. - No es necesario que los grupos tengan el mismo número de casos, aunque es recomendable. - El más pequeño de los grupos debe tener más casos que El más pequeño de los grupos debe tener más casos que variables independientes.
47 4. Comprobación de las hipótesis. selección de variables Normalidad multivariante Si no se cumple hay que usar un - Normalidad multivariante. Si no se cumple hay que usar un modelo de regresión logística.
48 4. Comprobación de las hipótesis. selección de variables - Normalidad multivariante. Si no se cumple hay que usar un modelo de regresión logística. - Homocedasticidad multivariante (matrices de varianzas covarianzas similares). Si no se cumple hay que usar técnicas de clasificación cuadráticas.
49 4. Comprobación de las hipótesis. selección de variables - Normalidad multivariante. Si no se cumple hay que usar un modelo de regresión logística. - Homocedasticidad multivariante (matrices de varianzas covarianzas similares). Si no se cumple hay que usar técnicas de clasificación cuadráticas. - Multicolinealidad. Causará problemas en la interpretación.
50 5. Estimación del modelo. estimación del modelo - La discriminación entre los q grupos se realiza mediante el cálculo de unas funciones matemáticas denominadas funciones discriminantes. - Existen varios procedimientos para calcularlas siendo el - Existen varios procedimientos para calcularlas siendo el procedimiento de Fisher el más utilizado.
51 estimación del modelo - El procedimiento i de Fisher toma como funciones discriminantes, combinaciones lineales de las variables clasificadoras: Y=u 1 X 1 +u 2 X u p X p =u X
52 estimación del modelo - Y (función discriminante): i i combinación ió lineall de las variables originales "X" que: - Presente la mínima variación ió INTRA grupal - Presente la máxima variación ENTRE grupal
53 estimación del modelo - Y (función discriminante): i i combinación ió lineall de las variables originales "X" que: - Presente la mínima variación ió INTRA grupal - Presente la máxima variación ENTRE grupal - La función discriminante no será única: se parte de una clasificación en q grupos, se obtendrán varios conjuntos de parámetros, es decir, varias funciones discriminantes (menor de q-1 o p ) p
54 estimación del modelo Tenemos: - q grupos: subíndice j; j=1, 2, 3,, q
55 estimación del modelo Tenemos: - q grupos: subíndice j; j=1, 2, 3,, q - p variables: 1, 2, 3,, p
56 estimación del modelo Tenemos: - q grupos: subíndice j; j=1, 2, 3,, q - p variables: 1, 2, 3,, p - n casos: subíndice i; i=1, 2, 3, n
57 Matriz de observaciones: estimación del modelo
58 Matriz de medias de grupo ( grupo = j ): estimación del modelo
59 Matriz de medias totales: t estimación del modelo
60 estimación del modelo La variación entre grupos: La variación dentro de grupos:
61 Hay que maximizar: estimación del modelo F = Variación entre grupos / Variación intra grupos
62 Hay que maximizar: estimación del modelo F = Variación entre grupos / Variación intra grupos Pero el objetivo es encontrar los parámetros b: Y = u 1 X 1 + u 2 X u p X p
63 Hay que maximizar: estimación del modelo F = Variación entre grupos / Variación intra grupos Pero el objetivo es encontrar los parámetros b: Y = u 1 X 1 + u 2 X u p X p Expresamos F en función de u p :
64 Hay que maximizar SCE y minimizar SCI: estimación del modelo
65 Hay que maximizar SCE y minimizar SCI: estimación del modelo
66 Hay que maximizar SCE y minimizar SCI: estimación del modelo Hay múltiples parámetros b que maximizan la raíz característica, por lo que siempre vamos a tener más de una solución
67 validación del modelo 6. Validación de la función discriminante - T 2 de Hooteling - Autovalores (raíces características) - Ratio autovalor / suma de autovalores - Test de Bartlett - Correlación canónica - Lambda de Wilks
68 Autovalores. validación del modelo - La suma de cuadrados entre grupos de cada función discriminante. - Debe ser alto.
69 Autovalores. validación del modelo - La suma de cuadrados entre grupos de cada función discriminante. - Debe ser alto. Ratio autovalor / suma de autovalores. - Indica la capacidad discriminante relativa. - Toma valores entre 0 y Debe ser alto.
70 Correlación canónica. - Mide en términos relativos el poder discriminante. validación del modelo - Es el porcentaje de la variación total en dicha función que es explicada por las diferencias entre los grupos. - Toma valores entre 0 y 1. - Debe ser próximo a 1.
71 Lambda de Wilks. validación del modelo - Es un estadístico que mide el poder discriminante de las variables. - Tiene una distribución lambda de Wilks con p, q-1 y n-q grados de libertad. - Toma valores entre 0 y 1. - Debe ser próximo a 0.
72 Con Statgraphics:
73
74
75 7. Contribución de las variables al modelo. contribución de las variables al modelo Cuándo incluir o excluir variables en el modelo?
76 7. Contribución de las variables al modelo. - Este es el aspecto clave del análisis discriminante. contribución de las variables al modelo - Hay que encontrar una regla óptima de clasificación con el menor número de variables (principio de parsimonia) Cuándo incluir o excluir variables en el modelo?
77 7. Contribución de las variables al modelo. - Este es el aspecto clave del análisis discriminante. contribución de las variables al modelo - Hay que encontrar una regla óptima de clasificación con el menor número de variables (principio de parsimonia) - La regla óptima de clasificación es la que menos errores comete con el mínimo número de variables (valoración de la capacidad predictiva) Cuándo incluir o excluir variables en el modelo?
78 le 2 ariab V 12,0 10,0 8,0 6,0 4,0 Grupo 1 Grupo 2 Grupo ,0 00 0,0 0,0 5,0 10,0 15,0 20,0 25,0 Dispersión de las variables por grupo Variable 1
79 le 2 ariab V 12,0 10,0 8,0 6,0 4,0 Grupo 1 Grupo 2 Grupo ,0 00 0,0 Son necesarias todas las variables? 0,0 5,0 10,0 15,0 20,0 25,0 Dispersión de las variables por grupo Variable 1
80 le 2 ariab V 12,0 10,0 8,0 6,0 4,0 Grupo 1 Grupo 2 Grupo ,0 00 0,0 0,0 5,0 10,0 15,0 20,0 25,0 Dispersión de las variables por grupo Variable 1
81 son necesarias todas las variables? cuáles variables son mejores? Comportamiento de tres poblaciones en relación a dos variables
82 contribución de las variables al modelo Cuatro indicadores. - ANOVA simple de cada variable con la variable dependiente. - Parámetros estandarizados de la función discriminante. - Cargas discriminantes: correlación de cada variable con la función discriminante. - Juicio del investigador.
83 ANOVA simple. contribución de las variables al modelo - Se desarrolla aprioriy determina inicialmente las variables candidatas al modelo.
84 ANOVA simple. contribución de las variables al modelo - Se desarrolla aprioriy determina inicialmente las variables candidatas al modelo. - Las variables que no se segmenten completamente por la agrupación son candidatas a no entrar en el modelo.
85 ANOVA simple. contribución de las variables al modelo - Se desarrolla aprioriy determina inicialmente las variables candidatas al modelo. - Las variables que no se segmenten completamente por la agrupación son candidatas a no entrar en el modelo. - CUIDADO: puede ser que la variable sea determinante en algunos grupos y en otros no.
86 ANOVA simple. contribución de las variables al modelo - Se desarrolla aprioriy determina inicialmente las variables candidatas al modelo. - Las variables que no se segmenten completamente por la agrupación son candidatas a no entrar en el modelo. - CUIDADO: puede ser que la variable sea determinante en algunos grupos y en otros no. - Por ejemplo: Clasificar el resultado neto de explotaciones (negativo, equilibrio o positivo) en función del precio del balanceado y del precio de la leche. - Puede ser que el precio de la leche segmente perfectamente entre negativo y no negativo. - Y el precio del concentrado discrimine equilibrio de positivo.
87 contribución de las variables al modelo Parámetros estandarizados de la función. - Indican el peso relativo y el sentido del efecto de cada variable. - Interesan pesos absolutos altos.
88 contribución de las variables al modelo Parámetros estandarizados de la función. - Indican el peso relativo y el sentido del efecto de cada variable. - Interesan pesos absolutos altos. Cargas discriminantes. - Indican la relación lineal entre la variable y la función. - Interesan correlaciones altas pero no lineales.
89
90
91
92 8. Valoración de la función predictiva. valoración de la función predictiva - Estimación por resustiución. - Estimación por valoración cruzada.
93 Método de resustitución valoración de la función predictiva Prob (Error 1) = p(2/1) Prob (Error 2) = p(1/2) Población clasificada por la regla Total 1 2 Población original 1 n 11 n 12 n 1 2 n 21 n 22 n 2 Estimaciones i en exceso de las verdaderas d probabilidades bilid d p ˆ(2 /1) = n p ˆ(1/ 2) = n n12 21 n 1 2
94 valoración de la función predictiva Estimación de la probabilidad global de éxito pˆ( éxito) = n n n + n 21 2 Población original Número de éxito Proporción de éxito Población clasificada por la regla 1 2 Total ,857 0, pˆ (1/ 2) = = 0,04 pˆ (2 /1) = = 0,143 pˆ ( éxito) = = 0,
95 valoración de la función predictiva Estimaciones de validación cruzada (Lachenbruch) Paso 1. Eliminar el primer vector de observaciones. Formular una regla discriminantei i basada los datos restantes. t Usar la regla para clasificar la primera observación. Observar si la regla clasifica o no en forma correcta. Paso 2. Reemplazar la primera observación y eliminar el segundo vector de observaciones. Formular una regla discriminante basada en los datos restantes. Usar la regla para clasificar la primera observación. Observar si la regla clasifica o no en forma correcta. Paso 3. Idem hasta el final. P 4 Paso 4. Crear una tabla igual al método de resustitución.
96 valoración de la función predictiva Población original Número de éxito Proporción de éxito Población clasificada por la regla Total ,857 0, pˆ (1/ 2) = = 0,08 pˆ (2 /1) = = 0,143 pˆ ( éxito) = = 0,
97
98 selección de variables 9. Algoritmos de selección de variables. Forward (eliminación hacia adelante) Backward (eliminación hacia atrás) pocas variables Stepwise (método por pasos)
99 selección de variables Selección hacia delante - Eligen la variable que más discrimina entre los grupos. - A continuación seleccionan la segunda más discriminante y así sucesivamente. Si de las variables que quedan por elegir ninguna discrimina - Si de las variables que quedan por elegir ninguna discrimina de forma significativa entre los grupos analizados el algoritmo finaliza.
100 selección de variables Selección hacia atrás - El procedimiento es inverso al anterior. - Comienza suponiendo que todas las variables son necesarias para discriminar y se elimina la menos discriminante entre los grupos analizados y así sucesivamente. - Si las variables no eliminadas discriminan significativamente entre los grupos analizados el algoritmo finaliza. - Generalmente selecciona pocas variables.
101 Selección por pasos selección de variables - Utilizan una combinación de los dos algoritmos anteriores.
102 Selección por pasos selección de variables - Utilizan una combinación de los dos algoritmos anteriores. - Incluyen la posibilidad de: - Eliminar una variable introducida en el conjunto en un paso anterior - Introducir una variable eliminada con anterioridad
103 Selección por pasos selección de variables - Utilizan una combinación de los dos algoritmos anteriores. - Incluyen la posibilidad de: - Eliminar una variable introducida en el conjunto en un paso anterior - Introducir una variable eliminada con anterioridad - Para determinar qué variables entran y salen en cada paso de este tipo de algoritmos se utilizan diversos criterios.
104 Selección por pasos selección de variables - Utilizan una combinación de los dos algoritmos anteriores. - Incluyen la posibilidad de: - Eliminar una variable introducida en el conjunto en un paso anterior - Introducir una variable eliminada con anterioridad - Para determinar qué variables entran y salen en cada paso de este tipo de algoritmos se utilizan diversos criterios. - Lambda de Wilks esel más utilizado
105 Selección por pasos selección de variables - Utilizan una combinación de los dos algoritmos anteriores. - Incluyen la posibilidad de: - Eliminar una variable introducida en el conjunto en un paso anterior - Introducir una variable eliminada con anterioridad - Para determinar qué variables entran y salen en cada paso de este tipo de algoritmos se utilizan diversos criterios. - Lambda de Wilks esel más utilizado - Proporcionar un p-valor de entrada y otro de salida
106 Selección por pasos selección de variables - Utilizan una combinación de los dos algoritmos anteriores. - Incluyen la posibilidad de: - Eliminar una variable introducida en el conjunto en un paso anterior - Introducir una variable eliminada con anterioridad - Para determinar qué variables entran y salen en cada paso de este tipo de algoritmos se utilizan diversos criterios. - Lambda de Wilks esel más utilizado - Proporcionar un p-valor de entrada y otro de salida - Si el p-valor obtenido al introducir una variable no es inferior al p-valor de entrada, la variable considerada no entra. - Si el p-valor obtenido al eliminarla i l del conjunto de discriminación no es superior al de salida, la variable considerada no sale de dicho conjunto.
107 Inconvenientes de los procedimientos de selección selección de variables - No tienen por qué llegar a la solución óptima - Utilizan como criterios de selección, criterios de separación de grupos y no de clasificación - El nivel de significación global es superior al establecido para entrar y sacar variables debido a la realización simultánea de varios test de hipótesis
108 caso práctico Caso práctico. 1. Construir un modelo discriminante para el estado civil y otro para el género. 2. Construir el mismo modelo utilizando los factores. 3. Interpretar ambos modelos. 1. Construir un modelo discriminante para la base de datos de ovino-caprino dominicana. 2. Construir el mismo modelo utilizando los factores. 3. Interpretar ambos modelos.
ANÁLISIS DE ENCUESTAS
ANÁLISIS DE ENCUESTAS TÉCNICAS MULTIVARIANTES 1. Introducción 2. Clasificación de las técnicas 3. Etapas de análisis 4. Supuestos básicos 5. Valores perdidos y anómalos introducción Definición. i ió -
Más detallesMaterial 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 detallesREGRESIÓN LINEAL MÚLTIPLE
REGRESIÓN LINEAL MÚLTIPLE.- Planteamiento general....- Métodos para la selección de variables... 5 3.- Correlaciones parciales y semiparciales... 8 4.- Multicolinealidad en las variables explicativas...
Más detallesDIPLOMADO 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 detallesASOCIACIÓN 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 detallesOtras medidas descriptivas usuales
Tema 7 Otras medidas descriptivas usuales Contenido 7.1. Introducción............................. 1 7.2. Medidas robustas.......................... 2 7.2.1. Media recortada....................... 2 7.2.2.
Más detallesProf. Dr. José Perea Dpto. Producción Animal ANÁLISIS DE EXPERIMENTOS
Prof. Dr. José Perea Dpto. Producción Animal ANÁLISIS DE EXPERIMENTOS ANÁLISIS DE EXPERIMENTOS 1. Introducción 2. Comparación de dos medias 3. Comparación de más de dos medias 4. Pruebas post-hoc 5. ANCOVA
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detalles1 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 detalles320514 - APTM - Análisis de Procesos Textiles y de Mercados
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2015 320 - EET - Escuela de Ingeniería de Terrassa 714 - ETP - Departamento de Ingeniería Textil y Papelera MÁSTER UNIVERSITARIO
Más detalles8.1. 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 detallesCovarianza 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 detallesEjercicio de estadística para 3º de la ESO
Ejercicio de estadística para 3º de la ESO Unibelia La estadística es una disciplina técnica que se apoya en las matemáticas y que tiene como objetivo la interpretación de la realidad de una población
Más detallesTEMA 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 detallesANÁLISIS DESCRIPTIVO CON SPSS
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística ANÁLISIS DESCRIPTIVO CON SPSS 1.- INTRODUCCIÓN Existen dos procedimientos básicos que permiten describir las propiedades de las distribuciones:
Más detallesPuede 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 detallesINFLUENCIA DE SELECTIVIDAD EN LAS MATEMÁTICAS DE ECONOMÍA
INFLUENCIA DE SELECTIVIDAD EN LAS MATEMÁTICAS DE ECONOMÍA Juana María Vivo Molina Departamento de Métodos Cuantitativos para la Economía. Universidad de Murcia. jmvivomo@um.es RESUMEN En este trabajo se
Más detallesAplicaciones 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 detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T11: Métodos Kernel: Máquinas de vectores soporte {jdiez, juanjo} @ aic.uniovi.es Índice Funciones y métodos kernel Concepto: representación de datos Características y ventajas Funciones
Más detallesCapítulo 7: Distribuciones muestrales
Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.
Más detallesAdministración de Empresas. 11 Métodos dinámicos de evaluación de inversiones 11.1
Administración de Empresas. 11 Métodos dinámicos de evaluación de inversiones 11.1 TEMA 11: MÉTODOS DINÁMICOS DE SELECCIÓN DE INVERSIONES ESQUEMA DEL TEMA: 11.1. Valor actualizado neto. 11.2. Tasa interna
Más detallesANÁLISIS DE BALANCES CON EL NUEVO PGC DE 2008
ANÁLISIS DE BALANCES CON EL NUEVO PGC DE 2008 Índice: 1.- ANÁLISIS DE BALANCES. GENERALIDADES...2 2.- EL FONDO DE MANIOBRA...2 3.- ANÁLISIS FINANCIERO DEL BALANCE...3 4.- ANÁLISIS ECONÓMICO DEL BALANCE...6
Más detallesTest de Idioma Francés. Manual del evaluador
Test de Idioma Francés Manual del evaluador 1 CONTENIDO Introducción Qué mide el Test de idioma francés? Qué obtienen el examinado y el examinador? Descripción de los factores Propiedades psicométricas
Más detallesREGRESION 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 detallesModelos 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 detallesAnálisis de componentes principales
Capítulo 2 Análisis de componentes principales 2.1. INTRODUCCIÓN El Análisis de componentes principales trata de describir las características principales de un conjunto de datos multivariantes, en los
Más detallesAnálisis 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 detallesCORRELACIÓN 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 detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesMUESTREO TIPOS DE MUESTREO
MUESTREO En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los elementos de una población), se selecciona una muestra, entendiendo por tal una parte representativa de
Más detallesEXPERIMENTACIÓN. 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 detallesDiseño de un estudio de investigación de mercados
Diseño de un estudio de investigación de mercados En cualquier diseño de un proyecto de investigación de mercados, es necesario especificar varios elementos como las fuentes a utilizar, la metodología,
Más detallesAula 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 detallesCapítulo 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 detallesAnálisis y cuantificación del Riesgo
Análisis y cuantificación del Riesgo 1 Qué es el análisis del Riesgo? 2. Métodos M de Análisis de riesgos 3. Método M de Montecarlo 4. Modelo de Análisis de Riesgos 5. Qué pasos de deben seguir para el
Más detallesTEMA 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 detallesLa metodologia Cuantitativa. Encuestas y muestras
La metodologia Cuantitativa. Encuestas y muestras Técnicas «cuantitativas» y «cualitativas» «Las técnicas cuantitativas»: Recogen la información mediante cuestiones cerradas que se planteal sujeto de forma
Más detallesEstudio de las relaciones que existen entre los diversos elementos de los estados financieros de una empresa.
III. TÉCNICAS DE ANÁLISIS FINANCIERO 3.1] Introducción Definición Estudio de las relaciones que existen entre los diversos elementos de los estados financieros de una empresa. Objetivo Proporcionar información
Más detallesTransUnion República Dominicana. Preguntas frecuentes sobre los modelos de score de TransUnion
TransUnion República Dominicana Preguntas frecuentes sobre los modelos de score de TransUnion Los modelos de score de TransUnion El siguiente es un resumen para ayudarle a entender mejor cómo se puede
Más detallesPrograma de Formació Continuada Societat Catalana de Cirurgia. Análisis Multivariante. Introducción. Tema 21 Joan J Sancho
Programa de Formació Continuada Societat Catalana de Cirurgia Análisis Multivariante Introducción Tema 21 Joan J Sancho Qué es? Son todas aquellas técnicas estadísticas que simultáneamente analizan múltiples
Más detallesAnálisis 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 detallesANÁLISIS 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 detallesDefinición 2.1.1. Se llama suceso aleatorio a cualquier subconjunto del espacio muestral.
Capítulo 2 Probabilidades 2. Definición y propiedades Al realizar un experimento aleatorio nuestro interés es obtener información sobre las leyes que rigen el fenómeno sometido a estudio. El punto de partida
Más detallesQue permite las proyecciones..
1 PROYECCION DE ESTADOS FINANCIEROS Que permite las proyecciones.. 1) Evaluar si el futuro desempeño de la firma cumplirá con los objetivos definidos. 2) Anticiparse a las futuras necesidades de financiamiento
Más detalles1 ENCUESTA DE CUESTIONARIO
1 ENCUESTA DE CUESTIONARIO 1.1 Por qué utilizar esta herramienta en evaluación? La encuesta de cuestionario es una herramienta de observación que permite cuantificar y comparar la información. Esta información
Más detallesMicroeconomía Intermedia
Microeconomía Intermedia Colección de preguntas tipo test y ejercicios numéricos, agrupados por temas y resueltos por Eduardo Morera Cid, Economista Colegiado. Tema 03 La elección óptima del consumidor
Más detallesMatemáticas 2º BTO Aplicadas a las Ciencias Sociales
Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD
Más detallesEl análisis consta de cuatro pasos: - Análisis Externo - Análisis Interno - Confección de la matriz FODA - Determinación de la estrategia a emplear
Análisis FODA El Análisis FODA es una metodología de estudio de la situación competitiva de una empresa en su mercado (situación externa) y de las características internas (situación interna) de la misma,
Más detallesTécnicas Cuantitativas para el Management y los Negocios
Segundo cuatrimestre - 4 Técnicas Cuantitativas para el Management y los Negocios Mag. María del Carmen Romero 4 romero@econ.unicen.edu.ar Módulo III: APLICACIONES Contenidos Módulo III Unidad 9. Análisis
Más detallesESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 3 - Septiembre - 2.6 Primera Parte - Test Las respuestas del TEST son las siguientes: Pregunta 2 3 4 5 6 Respuesta C A D C B A Pregunta 7 8 9 2 Respuesta
Más detallesINTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA
INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA Eva Medina Moral (Febrero 2002) EXPRESIÓN DEL MODELO BASICO DE REGRESIÓN LINEAL La expresión formal del modelo
Más detallesDISTRIBUCIÓN DE FRECUENCIAS
UNIVERSIDAD DE COSTA RICA ESCUELA DE ESTADÍSTICA Prof. Olman Ramírez Moreira DISTRIBUCIÓN DE FRECUENCIAS FUENTE: Gómez, Elementos de Estadística Descriptiva Levin & Rubin. Estadística para Administradores
Más detallesANÁLISIS ESTADÍSTICO DE ALGUNAS CARACTERÍSTICAS DEL MAGISTERIO FISCAL DE LA PROVINCIA DE CHIMBORAZO
ANÁLISIS ESTADÍSTICO DE ALGUNAS CARACTERÍSTICAS DEL MAGISTERIO FISCAL DE LA PROVINCIA DE CHIMBORAZO Pablo Alejandro Wong Murillo (1) Gudencio Zurita Herrera (2) (1) Ingeniero en Estadística Informática
Más detallesMERCADOS FINANCIEROS: LOS FONDOS DE INVERSIÓN II
MERCADOS FINANCIEROS: LOS FONDOS DE INVERSIÓN II 28 febrero de 2012 Javier Marchamalo Martínez Universidad Rey Juan Carlos SABER INTERPRETAR LOS RATIOS SIGNIFICATIVOS EN LA GESTIÓN POR BENCHMARK Ratio
Más detallesDeterminación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones
Determinación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones Introducción Las Compañías aseguradoras determinan sus precios basadas en modelos y en información histórica
Más detallesDecisión: Indican puntos en que se toman decisiones: sí o no, o se verifica una actividad del flujo grama.
Diagrama de Flujo La presentación gráfica de un sistema es una forma ampliamente utilizada como herramienta de análisis, ya que permite identificar aspectos relevantes de una manera rápida y simple. El
Más detallesLa maximización de los beneficios y la oferta competitiva. Por: Julián Ochoa y Tomás Mogollón.
La maximización de los beneficios y la oferta competitiva. Por: Julián Ochoa y Tomás Mogollón. Los Mercados perfectamente competitivos El modelo de la competencia perfecta se basa en tres supuestos básicos:
Más detallesUNIVERSIDAD AUTÓNOMA DE MADRID DPTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I HOJA 2. Problemas
UNIVERSIDAD AUTÓNOMA DE MADRID DPTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I HOJA 2 Problemas 1. Supongamos que se dispone de una muestra de n = 5 individuos, con la que se quiere estudiar
Más detallesRatios NPGC 2009 vs Ratings
Ratios NPGC 2009 vs Ratings Página: 1 Qué diferencia hay entre un Rating y un Ratio? Ratio Relación o proporción entre dos elementos o dos conjuntos de elementos cuantitativos de los estados financieros
Más detallesPROGRAMA DE ESTUDIOS. : Investigación en Psicología II.
PROGRAMA DE ESTUDIOS A. ANTECEDENTES GENERALES Nombre de la asignatura Carácter de la asignatura Pre requisitos Co requisitos Créditos Ubicación dentro del plan de estudio Número de clases por semana Número
Más detallesIngeniería del Software I Clase de Testing Funcional 2do. Cuatrimestre de 2007
Enunciado Se desea efectuar el testing funcional de un programa que ejecuta transferencias entre cuentas bancarias. El programa recibe como parámetros la cuenta de origen, la de cuenta de destino y el
Más detalles-Género: no nos ha quedado claro cómo influye este parámetro en el gasto en ocio, si positiva o negativamente.
INTRODUCCIÓN En este trabajo estudiamos el gasto en ocio de la población, escogiendo una muestra al azar. Realizando encuestas hemos recogido información de 125 personas, las variables que hemos visto
Más detalles1. Los factores productivos 2. La productividad marginal y la demanda de trabajo 3. Oferta de trabajo y equilibrio
Tema 3. Mercados de factores y distribución de 1. Los factores productivos 2. La productividad marginal y la demanda de trabajo 3. Oferta de trabajo y equilibrio EL FLUJO CIRCULAR DE LA RENTA Dinero Bienes
Más detallesCREDIT SCORING: Enfoque y ventajas para las instituciones. financieras. Parte I
[.estrategiafinanciera.es ] CREDIT SCORING: Enfoque y ventajas para las instituciones financieras. Parte I Un sistema de scoring preciso al que se le haga un seguimiento correcto representa un instrumento
Más detallesGRADO TURISMO TEMA 3: ANÁLISIS DE DATOS TURÍSTICOS BIDIMENSIONALES
GRADO TURISMO TEMA 3: ANÁLISIS DE DATOS TURÍSTICOS BIDIMENSIONALES Prof. Rosario Martínez Verdú TEMA 3: ANÁLISIS DE DATOS TURÍSTICOS BIDIMENSIONALES 1. Distribuciones bidimensionales de frecuencias y diagrama
Más detallesTema 1: Test de Distribuciones de Probabilidad
Tema 1: Test de Distribuciones de Probabilidad 1.- Una compañía de seguros tiene 1000 asegurados en el ramo de accidentes. Si la el modelo mejor para el número de siniestros en un año es: a) Normal (5;,3).
Más detallesNIVEL: CICLO SUPERIOR DE GESTIÓN COMERCIAL Y MARKETING
ETAPA: FORMACIÓN PROFESIONAL DEPARTAMENTO DE COMERCIO NIVEL: CICLO SUPERIOR DE GESTIÓN COMERCIAL Y MARKETING MATERIA: POLITICAS DE MARKETING OBJETIVOS - Analizar los precios y costes de productos, relacionando
Más detallesLa selección del mercado meta es esencialmente idéntica, sin importar si una firma vende un bien o servicio.
4. SELECCIÓN Y EVALUACIÓN DE MERCADO META SELECCIÓN DE MERCADO META Un mercado meta se refiere a un grupo de personas u organizaciones a las cuales una organización dirige su programa de marketing. Es
Más detallesCréditos de Consumo Bancarios* Evolución reciente: 1997-2005
Serie Técnica de Estudios - N 003 Créditos de Consumo Bancarios* Evolución reciente: 1997-2005 Liliana Morales R. Álvaro Yáñez O. Enero 2006 Superintendencia de Bancos e Instituciones Financieras SBIF
Más detallesEmpresa de telefonía celular: Transintelcel
Empresa de telefonía celular: Transintelcel El proceso metodológico de esta investigación de mercados está dividido en las siguientes etapas: 1. Datos generales de la empresa 2. Planteamiento del problema
Más detallesANÁLISIS DE BONOS. Fuente: Alexander, Sharpe, Bailey; Fundamentos de Inversiones: Teoría y Práctica; Tercera edición, 2003
ANÁLISIS DE BONOS Fuente: Alexander, Sharpe, Bailey; Fundamentos de Inversiones: Teoría y Práctica; Tercera edición, 2003 Métodos de Análisis Una forma de analizar un bono es comparar su rendimiento al
Más detallesMéxico en el año 2005 y los impactos sobre su demanda. específicamente de los productos de Anheuser-Busch.
1) Objetivos, Marco Teórico Objetivos - Realizar un análisis de la estructura de precios de la industria cervecera Mexicana. - Realizar un análisis del ajuste de precios de los productos de Anheuser-Busch
Más detallesCómo 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 detallesSPSS: ANOVA de un Factor
SPSS: ANOVA de un Factor El análisis de varianza (ANOVA) de un factor nos sirve para comparar varios grupos en una variable cuantitativa. Esta prueba es una generalización del contraste de igualdad de
Más detallesPuedes 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 detallesStatgraphics 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 detallesSOSTENIBILIDAD DE LAS ASOCIACIONES II. Marcos González Pérez Economista asesor fiscal y asesor de CEAFA
SOSTENIBILIDAD DE LAS ASOCIACIONES II Sostenibilidad económica y financiera Marcos González Pérez Economista asesor fiscal y asesor de CEAFA Nuestras asociaciones serán sostenibles en la medida en que
Más detallesMuestreo estadístico. Relación 2 Curso 2007-2008
Muestreo estadístico. Relación 2 Curso 2007-2008 1. Para tomar la decisión de mantener un determinado libro como texto oficial de una asignatura, se pretende tomar una muestra aleatoria simple entre los
Más detallesCONTABILIDAD ANALISIS VERTICAL Y HORIZONTAL DE ESTADOS CONTABLES
CONTABILIDAD ANALISIS VERTICAL Y HORIZONTAL DE ESTADOS CONTABLES El análisis de Estados Contables dispone de dos herramientas que ayudan a interpretarlos y analizarlos. Estas herramientas, denominadas
Más detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesANALISIS MULTIVARIANTE
ANALISIS MULTIVARIANTE Es un conjunto de técnicas que se utilizan cuando se trabaja sobre colecciones de datos en las cuáles hay muchas variables implicadas. Los principales problemas, en este contexto,
Más detallesCLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)
CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE
Más detallesRegresión 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 detallesORGANIZACIÓN INDUSTRIAL (16691-ECO) PARTE II: MODELOS DE COMPETENCIA IMPERFECTA TEMA 2: EL MONOPOLIO SOLUCIÓN A LOS PROBLEMAS PROPUESTOS
ORGANIZACIÓN INDUSTRIAL (16691-ECO) PARTE II: MODELOS DE COMPETENCIA IMPERFECTA TEMA 2: EL MONOPOLIO 2.1 ANÁLISIS DE EQUILIBRIO 2.2. DISCRIMINACIÓN DE PRECIOS Y REGULACIÓN SOLUCIÓN A LOS PROBLEMAS PROPUESTOS
Más detallesEstadística con Excel Informática 4º ESO ESTADÍSTICA CON EXCEL
1. Introducción ESTADÍSTICA CO EXCEL La estadística es la rama de las matemáticas que se dedica al análisis e interpretación de series de datos, generando unos resultados que se utilizan básicamente en
Más detallesMaterial 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 detallesT. 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 detallesEl 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 detallesANÁLISIS LOS CRÉDITOS
ANÁLISIS FINANCIERO A LOS CRÉDITOS QUÈ ES UN ANÁLISIS FINANCIERO Es un estudio que se hace de la información contable. Estudio realizado mediante la utilización de indicadores y razones financieras, las
Más detallesLAS ENCUESTAS DE PANEL FERNANDO MEDINA CEPAL
19 LAS ENCUESTAS DE PANEL FERNANDO MEDINA CEPAL 10 Las Encuestas de Panel Qué es una encuesta de panel? Es una muestra que se sigue y hace mediciones sucesivas sobre un mismo grupo de observaciones en
Más detallesCUENTAS POR COBRAR 1
CUENTAS POR COBRAR 1 Cuentas por cobrar Parte IV Sección 1 General Concepto: "Las cuentas por cobrar representan derechos exigibles originados por ventas, servicios prestados, otorgamientos de préstamos
Más detallesFundamentos 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 detallesDistribuciones Multivariantes. Distribuciones Multivariantes. Distribuciones Multivariantes. Objetivos del tema:
Distribuciones Multivariantes Distribuciones Multivariantes Distribución conjunta de un vector aleatorio Objetivos del tema: Distribuciones marginales y condicionadas Al final del tema el alumno será capaz
Más detallesSistemas de ayuda a la decisión Tema 5. Análisis de Sensibilidad Análisis Cualitivo y Análisis Paramétrico
Tema 5. Análisis de Sensibilidad Análisis Cualitivo y Análisis Paramétrico Indice 1) Motivavión, Identifición y Estructuración del problema 2) Análisis Paramétrico: Medidas basadas en distancias de umbral
Más detallesEstimación de una probabilidad
Estimación de una probabilidad Introducción En general, la probabilidad de un suceso es desconocida y debe estimarse a partir de una muestra representativa. Para ello, deberemos conocer el procedimiento
Más detallesDISEÑO DE ENCUESTAS. 1. Introducción. 3. Diseño de la encuesta 4. Tipos de muestreo y selección de la muestra
DISEÑO DE ENCUESTAS DISEÑO DE ENCUESTAS 1. Introducción 2. Tipos de encuestas 3. Diseño de la encuesta 4. Tipos de muestreo y selección de la muestra introducción Obtención de información De qué forma
Más detallesUNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD OPCIÓN A
OPCIÓN A (3 puntos) Una imprenta local edita periódicos y revistas. Para cada periódico necesita un cartucho de tinta negra y otro de color, y para cada revista uno de tinta negra y dos de color. Si sólo
Más detallesLa Planificación Estratégica
La Planificación Estratégica 1.1. Introducción. El trabajo diario del Community Manager no puede ser improvisado, es necesario la implantación de una organización que sirva para marcar de forma precisa
Más detallesMetodología de la Investigación. Dr. Cristian Rusu cristian.rusu@ucv.cl
Metodología de la Investigación Dr. Cristian Rusu cristian.rusu@ucv.cl 6. Diseños de investigación 6.1. Diseños experimentales 6.1.1. Diseños preexperimentales 6.1.2. Diseños experimentales verdaderos
Más detallesParte II DISEÑO METODOLÓGICO DE LA INVESTIGACIÓN. Tema 5 TÉCNICAS CUANTITATIVAS DE RECOGIDA DE INFORMACIÓN
Parte II DISEÑO METODOLÓGICO DE LA INVESTIGACIÓN Tema 5 TÉCNICAS CUANTITATIVAS DE RECOGIDA DE INFORMACIÓN Tema 5. TÉCNICAS CUANTITATIVAS DE RECOGIDA DE INFORMACIÓN 5.1. La encuesta: naturaleza y tipología
Más detalles