CAPÍTULO 4 TRANSFORMACIONES EN REGRESIÓN
|
|
- Cristina Cáceres Peralta
- hace 7 años
- Vistas:
Transcripción
1 CAPÍTULO 4 TRANSFORMACIONES EN REGRESIÓN Edgar Acuña Fernández Departamento de Matemáticas Universidad de Puerto Rico Recinto Universitario de Mayagüez Edgar Acuña Analisis de Regresion 1
2 Transformaciones para linealizar modelos Consideremos por ahora solo modelos con una variable predictora. El obetivo es tratar de transformar las variables es aumentar la medida de auste R del modelo, sin incluir variables predictoras adicionales. Se recomienda hacer un plot para observar el tipo de tendencia. Edgar Acuña Analisis de Regresion
3 Transformaciones de la variable predictora y/o respuesta para linealizar varios modelos. Edgar Acuña Analisis de Regresion 3
4 Los modelos exponencial y doblemente logarítmico son válidos bao la suposición de que los errores son multiplicativos, esto se debe cotear haciendo análisis de residuales, si los logaritmos de los errores tiene una media de cero y varianza constante. Si los errores no son multiplicativos entonces deberían aplicarse técnicas de regresión no lineal. Edgar Acuña Analisis de Regresion 4
5 4. Transformaciones de las variables predictoras en regresión múltiple Supongamos que uno tiene una variable de respuesta Y y varias variables predictoras y desea hacer transformaciones en las variables predictoras para meorar la medida de auste del modelo. Del plot matricial se extrae las relaciones de y con cada una de las variables predictoras. Las transformaciones pueden ser afectadas por la colinealidad existente entre las variables predictoras. Edgar Acuña Analisis de Regresion 5
6 Modelo basado en series de taylor En 196, Box y Tidwell, propusieron un método para transformar las variables predictoras, usando solamente potencias de ellas. ellos consideraron el modelo: y = β + β w +... β w e α donde: w = x si α y w =ln(x ) si α. = El desarrollo de la serie de Taylor se hace con respecto a α = ( 1 k α,... α ) Luego se tiene o 1 1 k k + y alrededor de = ( k α1,,..., α, ) = Donde: γ = ( α ) β y para =1,.k. (1,...,1) Edgar Acuña Analisis de Regresion 6 α y β + β x γ z 1 1 z... + β k xk + γ 1z1 + γ z = x ln x k k
7 Procedimiento para la estimación de los α 1. Hacer la regresión lineal múltiple considerando las variables predictoras originales x y denotar los estimados de los coeficientes por b.. Hacer una regresión lineal múltiple de y versus las variables predictoras originales mas las variables z =x ln(x ) y denotar los estimados de los coeficientes de z por. γ ) 3. Estimar α por α = + 1 ) ) γ b Edgar Acuña Analisis de Regresion 7
8 Procedimiento para la estimación de los α El procedimiento se puede repetir varias veces usando en cada etapa las nuevas variables transformadas y la siguiente relación de recurrencia: ) α ( m+ 1) ) γ = ( b ( m) ( m) ) + 1) α ( m+ 1) ( m) El proceso termina cuando α α < TOL, donde TOL es la tolerancia su valor es muy cercano a cero. Sin embargo, muy a menudo un solo paso es suficiente. ( m) Edgar Acuña Analisis de Regresion 8
9 Técnica sugerida por Box and Tidwell aplicado al conunto de datos millae La regresión con las variables originales MPG = VOL +.39 HP SP WT Predictor Coef SE Coef T P Constant VOL HP SP WT R-Sq = 87.3% R-Sq(ad) = 86.7% Edgar Acuña Analisis de Regresion 9
10 continuación Creamos cuatro variables predictoras x 1 lnx 1, x lnx, x 3 lnx 3 y x 4 lnx 4. La regresión múltiple con las 8 variables predictoras es MPG = VOL HP SP WT +.18 x1lnx xlnx x3lnx x4lnx4 Predictor Coef SE Coef T P Constant VOL HP SP WT x1lnx xlnx x3lnx x4lnx S = 3.47 R-Sq = 9.5% R-Sq(ad) = 89.5% Edgar Acuña Analisis de Regresion 1
11 continuación Estimando α segun el paso 3 se tiene α 1 =.183/(-.1565)+1=-1.5, α =86/.391)+1=-1.4, α 3 =(6.36)/(-1.948)+1=-3.91, α 4 =3.363/( )+1=-.79. Asi la regresión con las nuevas variables vol -1.5, hp -1.4, sp y wt -.79 es: MPG = hp E E+8 sp wt1 Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) -.98e+ 4.4e sp e e wt1 3.39e+ 9.38e *** vol e e * hp e e * Residual standard error: 3.95 on 77 degrees of freedom Multiple R-Squared:.99, Adusted R-squared:.943 Se puede repetir el proceso, eliminando VOL antes de aplicar el método de Box and Tidwell Edgar Acuña Analisis de Regresion 11
12 Transformaciones para estabilizar la varianza. Edgar Acuña Analisis de Regresion 1
13 Justificación de las transformaciones Expandiendo en series de Taylor una función h(y) alredededor de μ=e(y) se obtiene: h( Y ) h( μ) + h'( μ)( Y μ) + h"( μ)( Y μ) / Tomando varianza a ambos lados y considerando solamente la aproximación lineal se obtiene: Var( h( Y )) [ h'( E( y))] Var( Y ) Eemplo: Si Var(Y) [E(y)] hallar h(y) tal que su varianza sea constante:[h (E(Y))] constante/[e(y)], luego, h (μ) 1/μ, de donde h(μ) log(μ). Edgar Acuña Analisis de Regresion 13
14 Transformaciones para meorar la normalidad de la variable de respuesta En 1964, Box y Cox introdueron una transformación de la variable de respuesta (transformación potencia) con el obetivo de satisfacer la suposición de normalidad del modelo de regresión. λ y la transformación está definida por w= λ si λ y w=ln(y) si λ=. Notar que: y λ lim = λ λ ln y Edgar Acuña Analisis de Regresion 14
15 Estimación del parámetro λ Se estima conuntamente con los coeficientes del modelo de regresión lineal múltiple usando el método de Máxima verosimilitud, w = β o + β1x β k xk + e La transformación estandarizada de los w s se define por w n i donde ~ 1/ n z = y = ( ~ y i λ i ) y i= 1 es la media geométrica de las y s. El método asume que para algún λ las z i s son normales e independientes con varianza común σ Edgar Acuña Analisis de Regresion 15
16 Función de verosimilitud en términos de las z i s La función de verosimilitud esta dada por : L( β, λ)] = e 1 σ ( z Xβ)'( z Xβ) (πσ ) n / Luego donde Así n n 1 max[ LnL( β, λ)] = ln(π ) ln( ˆ σ ) ˆ σ σ ˆ ( z = SSE / n = ( z Xβˆ)' ( z Xβˆ) / n max[ LnL( β, λ)] = n n n ln(π ) ln( ˆ σ ) Xβˆ)'( z Xβˆ) n ln( ˆ σ ) Edgar Acuña Analisis de Regresion 16
17 Procedimiento para estimar el parámetro λ 1. Seleccionar un conunto de valores de λ entre y, usualmente entre 1 y valores. Para cada valor de λ, austar el modelo z=xβ+e 3. Plotear max[ln L(β,λ)] versus λ. 4. Escoger como parámetro λ aquel que otorgue el mayor valor para max[ln L(β,λ)]. Edgar Acuña Analisis de Regresion 17
18 Mínimos cuadrados ponderados. Es otra manera de tratar de remediar la falta de homogeneidad de varianza de los errores. suponiendo que los errores son todavía no correlacionados. n Se minimiza i i i, donde w i representa i= 1 w ( y el peso asignado a la i-ésima observación. yˆ ) Edgar Acuña Analisis de Regresion 18
19 Cómo escoger los pesos? Si en el plot de, residuales versus la variable predictora se observa que la dispersión aumenta cuando x aumenta sería conveniente usar. 1 σ i Donde, son las varianzas poblacionales de la Y (estimadas por s ) para cada observación x i en caso de regresión lineal simple, o para cada combinación de las variables predictoras en el caso de regresión lineal múltiple. La idea de dar a las observaciones anómalas un menor peso. Tambien se pueden calcular los pesos basado en los diagnósticos de regresión. w i = σ i Edgar Acuña Analisis de Regresion 19
20 Edgar Acuña Analisis de Regresion Consideremos el modelo de regresión lineal múltiple con Var(e)=Vσ, donde V es una matríz diagonal Sea W=(V 1/ ) -1, luego Sea y*=wy, e*=we y X*=WX, luego y*=x*β + e* e Xβ y + = = k n k k k V We WXβ Wy + =
21 Algunas Propiedades La varianza de los errores es constante. Var(e*)=Var(We)=WVar(e)W =WVW σ =Iσ El estimador mínimo cuadrático de β es β* = (X*'X) X*'Y* = (X'V X'V Para el cual se tiene E(β*)=β Var(β*)= (X'V X) X'V Var( Y) V X(X'V X) = (X'V X) σ X) Y Edgar Acuña Analisis de Regresion 1
22 Mínimos Cuadrados generalizados Considera la situación más general donde: Los errores no tienen varianza constante y ademas son correlacionados. Sea el modelo de regresión lineal múltiple y = Xβ + e Supongamos que: Var(e)=Vσ donde V es una matriz simétrica y definida positiva. Sea T una matríz nosingular y simétrica tal que TT=T =V, luego se tiene T y = T Xβ + T Edgar Acuña Analisis de Regresion e
23 Mínimos Cuadrados generalizados Sea e*= T -1 e, Var(e*)=Var(T -1 e)=t -1 Var(e)T -1 =Iσ entonces el estimador mínimo cuadrático de β se obtiene minimizando luego e*'e* β* = = (Y (X'V Xβ)' V (Y Xβ) X) E(β*)=β Var(β*)= (X'V X) X'V Var( Y) V X(X'V X) = (X'V X) σ X'V Y Edgar Acuña Analisis de Regresion 3
Regresión Lineal Múltiple
Universidad Nacional Agraria La Molina 2011-2 Consideremos por ahora solo modelos con una variable predictora. La idea es tratar de aumentar la medida de ajuste R 2 del modelo, sin incluir variables predictoras
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2010/11
Estadística II Tema 4. Regresión lineal simple Curso 010/11 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesModelo mixto: estimación y prueba de hipótesis
Agro 6998 Conferencia 3 Modelo mixto: estimación y prueba de hipótesis Comenzaremos definiendo el modelo lineal de efectos fijos para luego extender dicha definición al caso del modelo lineal mixto. El
Más detallesY = ßo + ß1X + ε. La función de regresión lineal simple es expresado como:
1 Regresión Lineal Simple Cuando la relación funcional entre las variables dependiente (Y) e independiente (X) es una línea recta, se tiene una regresión lineal simple, dada por la ecuación donde: Y =
Más detallesREGRESIÓN LINEAL CON SPSS
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística REGRESIÓN LINEAL CON SPSS 1.- INTRODUCCIÓN El análisis de regresión lineal es una técnica estadística utilizada para estudiar la relación entre
Más detalles6. ESTIMACIÓN DE PARÁMETROS
PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza
Más detallesEjemplo de Regresión Lineal Simple
Ejemplo de Regresión Lineal Simple Países Porcentaje de Inmunización (x) Tasa de mortalidad (y) Bolivia 77 8 Brazil 69 65 Cambodia 3 84 Canada 85 8 China 94 43 Czech_Republic 99 Egypt 89 55 Ethiopia 3
Más detallesTeoría de la decisión Estadística
Conceptos básicos Unidad 7. Estimación de parámetros. Criterios para la estimación. Mínimos cuadrados. Regresión lineal simple. Ley de correlación. Intervalos de confianza. Distribuciones: t-student y
Más detallesIntervalos de confianza para los coeficientes de una regresión lineal.
Intervalos de confianza para los coeficientes de una regresión lineal. Asumiendo que los errores del modelo de regresión lineal se distribuye en forma normal con media cero y varianza constante σ 2 y que
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesDistribuciones bidimensionales. Regresión.
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 5: Distribuciones bidimensionales. Regresión. Resumen teórico Resumen teórico de los principales conceptos estadísticos
Más detallesRegresión lineal múltiple
Regresión lineal múltiple José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 Índice I 1 El modelo de regresión lineal múltiple 1 El modelo de regresión múltiple. Introducción
Más detallesEconometria. 4. Modelo de Regresión Lineal Simple: Inferencia. Prof. Ma. Isabel Santana
Econometria 4. Modelo de Regresión Lineal Simple: Inferencia Prof. Ma. Isabel Santana MRLS: Inferencia Hasta ahora nos hemos ocupado solamente de la estimación de los parámetros del modelo de regresión
Más detallesRegresión Lineal Múltiple
Universidad Nacional Agraria La Molina 2011-2 Efectos de Diagnósticos de Dos predictores X 1 y X 2 son exactamente colineales si existe una relación lineal tal que C 1 X 1 + C 2 X 2 = C 0 para algunas
Más detallesEl método de mínimos cuadrados. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas
El método de mínimos cuadrados Curso de Estadística TAE, 005 J.J. Gómez-Cadenas Mínimos cuadrados y máxima verosimilitud Teorema del límite central Una medida y, puede considerarse como un variable aleatoria,
Más detallesEjercicios de Vectores Aleatorios
Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO MAGISTRAL GRADO EN INGENIERÍA DE SISTEMAS AUDIOVISUALES Otros M2 Calcular la función de densidad conjunta y las marginales
Más detallesMATEMÁTICAS APLICADAS A LAS C.C. SOCIALES
MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES CAPÍTULO 1 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad
Más detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detallesRegresión ponderada y falta de ajuste
Capítulo 4 Regresión ponderada y falta de ajuste 4.1. Introducción En este capítulo se presentan la regresión ponderada y la prueba de falta de ajuste como un conjunto adicional de herramientas usadas
Más detallesSegunda práctica de REGRESIÓN.
Segunda práctica de REGRESIÓN. DATOS: fichero practica regresión 2.sf3. Objetivo: El objetivo de esta práctica es interpretar una regresión y realizar correctamente la diagnosis. En la primera parte se
Más detallesRegresión lineal múltiple con R
Regresión lineal con R Mathieu Kessler Departamento de Matemática Aplicada y Estadística Universidad Politécnica de Cartagena Regresión lineal múltiple con R 1 Regresión lineal simple 1.1 Old Faithful
Más detallesComparación de Líneas de Regresión
Comparación de Líneas de Regresión Resumen El procedimiento de Comparación de Líneas de Regresión esta diseñado para comparar líneas de regresión relacionas con Y y X en dos o mas niveles de un factor
Más detallesTema 3: Estimadores de máxima verosimilitud
Tema 3: Estimadores de máxima verosimilitud 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: motivación Método
Más detallesCapítulo 6. Análisis bivariante de variables
Contenidos: Capítulo 6 Análisis bivariante de variables Distribución bidimensional de frecuencias ( tabla de correlación o contingencia ) Distribuciones marginales Coeficientes de Asociación Análisis de
Más detallesUNA COMPARACIÓN DE LOS MODELOS POISSON Y BINOMIAL NEGATIVA CON STATA: UN EJERCICIO DIDÁCTICO
3er Encuentro de Usuarios de Stata en México UNA COMPARACIÓN DE LOS MODELOS POISSON Y BINOMIAL NEGATIVA CON STATA: UN EJERCICIO DIDÁCTICO Noé Becerra Rodríguez Fortino Vela Peón Mayo, 2011 Mo9vación Ac#vidad
Más detallesMULTICOLINEALIDAD EN LAS REGRESORAS Y NORMALIDAD DEL TÉRMINO DE ERROR EN LOS MODELOS DE REGRESIÓN LINEAL
MULTICOLINEALIDAD EN LAS REGRESORAS Y NORMALIDAD DEL TÉRMINO DE ERROR EN LOS MODELOS DE REGRESIÓN LINEAL Noviembre, 2011 Multicolinealidad El termino multicolinealidad se le atribuye originalmente a Frisch
Más detallesEstacionariedad Estacionariedad estacionariedad
Series de Tiempo Una serie de tiempo es una secuencia de datos puntuales medidos en tiempos sucesivos a intervalos de tiempo uniformes. La caracterización de las propiedades de una serie de tiempo se puede
Más detallesTema 4. Modelo de regresión múltiple. Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 1
Tema 4. Modelo de regresión múltiple Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 4: Regresión múltiple 1 Objetivos del tema Construir un modelo que represente la dependencia lineal de
Más detallesCOLEGIO UNIVERSITARIO CARDENAL CISNEROS. Libro de Ejercicios de Matemáticas Empresariales II
COLEGIO UNIVERSITARIO CARDENAL CISNEROS Libro de Ejercicios de Matemáticas Empresariales II Manuel León Navarro 2 Capítulo 1 Ejercicios lección 1 1. Sea el conjunto de las matrices cuadradas de orden 2
Más detallesINTRODUCCIÓN DIAGRAMA DE DISPERSIÓN. Figura1
Capítulo 5 Análisis de regresión INTRODUCCIÓN OBJETIVO DE LA REGRESIÓN Determinar una función matemática sencilla que describa el comportamiento de una variable dadoslosvaloresdeotrauotrasvariables. DIAGRAMA
Más detallesPolinomios. 1.- Funciones cuadráticas
Polinomios 1.- Funciones cuadráticas Definición 1 (Función polinomial) Sea n un entero no negativo y sean a n, a n 1,..., a, a 1, a 0 número s reales con a n 0. La función se denomina función polinomial
Más detallesMATEMÁTICAS BÁSICAS. Autores: Margarita Ospina Pulido Lorenzo Acosta Gempeler Edición: Jeanneth Galeano Peñaloza Rafael Ballestas Rojano
MATEMÁTICAS BÁSICAS Autores: Margarita Ospina Pulido Lorenzo Acosta Gempeler Edición: Jeanneth Galeano Peñaloza Rafael Ballestas Rojano Universidad Nacional de Colombia Departamento de Matemáticas Sede
Más detallesMétodos Numéricos: Resumen y ejemplos Tema 5: Resolución aproximada de ecuaciones
Métodos Numéricos: Resumen y ejemplos Tema 5: Resolución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña Abril 009,
Más detallesAnálisis estadístico básico (I) Magdalena Cladera Munar mcladera@uib.es Departament d Economia Aplicada Universitat de les Illes Balears
Análisis estadístico básico (I) Magdalena Cladera Munar mcladera@uib.es Departament d Economia Aplicada Universitat de les Illes Balears CONTENIDOS Introducción a la inferencia estadística. Muestreo. Estimación
Más detallesValidación de los métodos microbiológicos HERRAMIENTAS ESTADISTICAS. Bqca. QM Alicia I. Cuesta, Consultora Internacional de la FAO
Validación de los métodos microbiológicos HERRAMIENTAS ESTADISTICAS Bqca. QM Alicia I. Cuesta, Consultora Internacional de la FAO Objetivos de la clase Objetivos de la estadística. Concepto y parámetros
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesy = b 0 + b 1 x 1 + + b k x k
Las técnicas de Regresión lineal multiple parten de k+1 variables cuantitativas: La variable respuesta (y) Las variables explicativas (x 1,, x k ) Y tratan de explicar la y mediante una función lineal
Más detalles11. PRUEBAS NO PARAMÉTRICAS
. PRUEBAS NO PARAMÉTRICAS Edgar Acuña http://math.uprm/edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ PRUEBAS NO PARAMÉTRICAS Se estudiarán las pruebas noparamétricas, las cuales
Más detallesProblemas de 4 o ESO. Isaac Musat Hervás
Problemas de 4 o ESO Isaac Musat Hervás 5 de febrero de 01 Índice general 1. Problemas de Álgebra 7 1.1. Números Reales.......................... 7 1.1.1. Los números....................... 7 1.1.. Intervalos.........................
Más detalles#Solución base de datos BOSQUE (pag 187 en papel y 201 del pdf del libro)
#Solución base de datos BOSQUE (pag 187 en papel y 201 del pdf del libro) #Todo modelo de Regresión Lineal Múltiple tiene una variable respuesta (y) y #dos o más de dos variables explicativas (x1, x2,
Más detallesSistemas de Ecuaciones Lineales
Sistemas de Ecuaciones Lineales 1 Sistemas de ecuaciones y matrices Definición 1 Una ecuación lineal en las variables x 1, x 2,..., x n es una ecuación de la forma con a 1, a 2... y b números reales. a
Más detallesModelo Lineal Generalizado GAMMA. Distribución gamma: Otra parametrización mediante el parámetro de forma y la media:
Modelo Lineal Generalizado GAMMA Distribución gamma: Otra parametrización mediante el parámetro de forma y la media: La distribución gamma es de tipo exponencial: 1 Supongamos que se dispone de r subpoblaciones
Más detallesManipulación del Contraste
Manipulación del Contraste Índice 1. Introducción. Métodos Locales: 2. Amplitud de la escala de grises. 3. Transformación de imágenes. Métodos Globales: 4. Ecualización del histograma. 5. Consulta a tablas
Más detallesTALLER N 7 DE ESTADÍSTICA
UNIVERSIDAD CATÓLICA DEL MAULE FACULTAD DE CIENCIAS BÁSICAS PEDAGOGÍA EN MATEMÁTICA Y COMPUTACIÓN TALLER N 7 DE ESTADÍSTICA Alumno : Victor Córdova Cornejo (victormatematica@live.cl) : Rodrigo Gutiérrez
Más detallesEXTENSIÓN DEL MODELO DE REGRESIÓN LINEAL DE DOS VARIABLES
EXTENSIÓN DEL MODELO DE REGRESIÓN LINEAL DE DOS VARIABLES REGRESIÓN A TRAVÉS DEL ORIGEN Y Y i = β 1 + β 2X i + ε i Y i = β 2X i + ε i X A MENOS QUE EXISTA UNA EXPECTATIVA A PRIORI MUY FUERTE ES ACONSEJABLE
Más detallesAjuste de Regresión Lineal Simple
Ajuste de Regresión Lineal Simple Hugo Alberto Brango García 1 1 Universidad de Córdoba Estadística II Mayo de 2014 Análisis de Regresión Mayo de 2014 1 / 33 Supuestos sobre los residuales del modelo Normalidad
Más detallesInferencia estadística III. Análisis de Correlación. La inferencia estadística también se puede aplicar para:
1 Inferencia estadística III La inferencia estadística también se puede aplicar para: 1. Conocer el grado de relación o asociación entre dos variables: análisis mediante el coeficiente de correlación lineal
Más detalles1.- DATOS DE LA ASIGNATURA. Nombre de la asignatura: Probabilidad y Estadística. Carrera: Ingeniería en Materiales. Clave de la asignatura: MAM 0524
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería en Materiales MAM 0524 3 2 8 2.- HISTORIA
Más detallesSESIÓN PRÁCTICA 7: REGRESION LINEAL SIMPLE PROBABILIDAD Y ESTADÍSTICA. PROF. Esther González Sánchez. Departamento de Informática y Sistemas
SESIÓN PRÁCTICA 7: REGRESION LINEAL SIMPLE PROBABILIDAD Y ESTADÍSTICA PROF. Esther González Sánchez Departamento de Informática y Sistemas Facultad de Informática Universidad de Las Palmas de Gran Canaria
Más detallesTema 1. Modelo de diseño de experimentos (un factor)
Tema 1. Modelo de diseño de experimentos (un factor) Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 1 Introducción El objetivo del Análisis de la Varianza
Más detallesIntroducción a la estadística básica, el diseño de experimentos y la regresión
Introducción a la estadística básica, el diseño de experimentos y la regresión Objetivos José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 Objetivo general Organizar el estudio
Más detallesAnexo C. Introducción a las series de potencias. Series de potencias
Anexo C Introducción a las series de potencias Este apéndice tiene como objetivo repasar los conceptos relativos a las series de potencias y al desarrollo de una función ne serie de potencias en torno
Más detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detallesMatrices y Determinantes.
Matrices y Determinantes. Definición [Matriz] Sea E un conjunto cualquiera, m, n N. Matrices. Generalidades Matriz de orden m n sobre E: a 11 a 12... a 1n a 21 a 22... a 2n...... a m1 a m2... a mn a ij
Más detallesRELACION DE PROBLEMAS DE GEOMETRIA. Problemas propuestos para la prueba de acceso del curso 1996/97.
RELACION DE PROBLEMAS DE GEOMETRIA Problemas propuestos para la prueba de acceso del curso 996/97. º. - Explica cómo se puede hallar el área de un triángulo, a partir de sus coordenadas, en el espacio
Más detalles( x) ( ) Modelos No Lineales. µ β β β
Modelos No Lineales En los modelos lineales los parámetros (valores poblacionales desconocidos) entran linealmente en la ecuación. No importa que la(s) variable(s) independiente(s) estén en la ecuación
Más detallesTema 5: Sistemas de Ecuaciones Lineales
Tema 5: Sistemas de Ecuaciones Lineales Eva Ascarza-Mondragón Helio Catalán-Mogorrón Manuel Vega-Gordillo Índice 1 Definición 3 2 Solución de un sistema de ecuaciones lineales 4 21 Tipos de sistemas ecuaciones
Más detallesEn este capítulo obtendremos los resultados básicos del cálculo diferencial para funciones reales definidas sobre R o sobre intervalos.
Capítulo 6 Derivadas 61 Introducción En este capítulo obtendremos los resultados básicos del cálculo diferencial para funciones reales definidas sobre R o sobre intervalos Definición 61 Sea I R, I, f :
Más detallesAntes de iniciar el tema se deben de tener los siguientes conocimientos básicos:
1 CONOCIMIENTOS PREVIOS. 1 Logaritmos. 1. Conocimientos previos. Antes de iniciar el tema se deben de tener los siguientes conocimientos básicos: Operaciones básicas con números reales. Propiedades de
Más detallesPráctica 3: Regresión simple con R
Estadística II Curso 2010/2011 Licenciatura en Matemáticas Práctica 3: Regresión simple con R 1. El fichero de datos Vamos a trabajar con el fichero salinity que se encuentra en el paquete boot. Para cargar
Más detallesÍNDICE CAPITULO UNO CAPITULO DOS. Pág.
ÍNDICE CAPITULO UNO Pág. Concepto de Estadística 1 Objetivo 1 Diferencia entre estadísticas y estadística 1 Uso de la estadística 1 Divisiones de la estadística 1 1. Estadística Descriptiva 1 2. Estadística
Más detallesExamen de Junio de 2011 (Común) con soluciones (Modelo )
Opción A Junio 011 común ejercicio 1 opción A ['5 puntos] Se desea construir un depósito cilíndrico cerrado de área total igual a 54 m. Determina el radio de la base y la altura del cilindro para que éste
Más detalles4,2 + 0,67 Y c) R 2 = 0,49. 3.- En la estimación de un modelo de regresión lineal se ha obtenido:
INTRODUCCIÓN A LA ESTADÍSTICA. Relación 4: REGRESIÓN Y CORRELACIÓN 1.- En una población se ha procedido a realizar observaciones sobre un par de variables X e Y. Xi 4 5 4 5 6 5 6 6 Yi 1 1 3 3 3 4 4 ni
Más detallesTEMA 11. Autovalores y autovectores. Diagonalización y formas canónicas.
TEMA 11 F MATEMÁTICOS TEMA 11 Autovalores y autovectores Diagonalización y formas canónicas 1 Introducción Definición 1 (Matrices semejantes) Sean A y B dos matrices cuadradas de orden n Decimos que A
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8)
PROBABILIDAD Y ESTADÍSTICA Sesión 5 (En esta sesión abracamos hasta tema 5.8) 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5.1 Distribución de probabilidades de una variable aleatoria continua
Más detalles1. Mínimos Cuadrados.
Departamento de Matemática Aplicada CÁLCULO COMPUTACIONAL. Licenciatura en Química (Curso 2009-10) Análisis de Datos Práctica 7 Escribe en la línea de comandos las órdenes necesarias para resolver estas
Más detallesEl modelo básico de regresión lineal múltiple esta dado por:
Capítulo 7 7.1. Introducción Los diagramas de dispersión son utilizados para tomar algunas decisiones antes de estimar un modelo de regresión. Por otro lado los diagnósticos de regresión son usados luego
Más detallesEstadística Inferencial
Estadística Inferencial Estimación de parámetros Estadística Básica - Manuel Spínola (ICOMVIS - UNA) 1 Estadística Descriptiva e Inferencial Estadística Descriptiva Estadística Estadística Inferencial
Más detallesUNIVERSIDAD CARLOS III DE MADRID
UNIVERSIDAD CARLOS III DE MADRID Departamento de Economía Tema 1: Matrices y sistemas de ecuaciones lineales Empezaremos por recordar conceptos ya conocidos de álgebra lineal como las matrices, determinantes,
Más detalles4 Ecuaciones diferenciales de orden superior
CAPÍTULO 4 Ecuaciones diferenciales de orden superior 4. educción de orden allar un método para encontrar soluciones que formen un conjunto fundamental de la ED será nuestro trabajo en las siguientes secciones.
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Regresión con autocorrelación
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Regresión con autocorrelación Introducción: Consideramos la regresión y t = β 0 + β 1 x 1t + + β k x kt + + β K x Kt + u t = β x t + u t con las hipótesis
Más detallesAnálisis Factorial: Análisis de componentes principales
Análisis Factorial: Análisis de componentes principales Abel Lucena Ferran Carrascosa Universitat Pompeu Fabra 22 de febrero de 2013 En qué consiste el análisis factorial? El análisis factorial agrupa
Más detallesClase 9 Sistemas de ecuaciones no lineales
Clase 9 Instituto de Ciencias Básicas Facultad de Ingeniería Universidad Diego Portales Marzo, 2016 con dos incógnitas Un sistema de dos ecuaciones en el que al menos una ecuación es no lineal, se llama
Más detallesEconometría de Económicas
Econometría de Económicas Casos 1 y 3 Análisis de diferentes formas funcionales en un modelo de Comercio Exterior. El problema de la heterocedasticidad. Curso 004-005 Profesoras Amparo Sancho Guadalupe
Más detalles6.2. Transformaciones y diagramas de dispersión
Capítulo 6 Transformaciones 6.1. Introducción Existen problemas para los que se conoce, a partir de la teoría, que la función media es lineal. Sin embargo no siempre es posible decidir sobre la forma correcta
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesIES Fco Ayala de Granada Junio de 2011 (Específico 2 Modelo 1) Soluciones Germán-Jesús Rubio Luna
PRUEBA DE ACCESO A LA UNIVERSIDAD MATEMÁTICAS II DE ANDALUCÍA CURSO 010-011 Opción A Ejercicio 1, Opción A, Modelo especifico de Junio de 011 [ 5 puntos] Una ventana normanda consiste en un rectángulo
Más detallesPRÁCTICA 11. VALORES ANÓMALOS OUTLIERS Y EFECTO CALENDARIO
PRÁCTICA 11. VALORES ANÓMALOS OUTLIERS Y EFECTO CALENDARIO Los modelos ARIMA constituyan una forma práctica de representar la dinámica de una serie. Ye hemos introducido en las prácticas anteriores el
Más detallesMatrices. p ij = a ik b kj = a i1 b 1j + a i2 b 2j + + a in b nj.
Matrices Introducción Una matriz de m filas y n columnas con elementos en el cuerpo K es un rectángulo de elementos de K (es decir, números) del tipo a a 2 a n a 2 a 22 a 2n A = (a ij ) = a m a m2 a mn
Más detallesREVISION DE CONCEPTOS BÁSICOS
REVISION DE CONCEPTOS BÁSICOS Objetivos Introducir, de manera muy general, algunos de los conceptos matemáticos y estadísticos que se utilizan en el análisis de regresión. La revisión no es rigurosa y
Más detallesMuestreo y Distribuciones muestrales. 51 SOLUCIONES
Muestreo y Distribuciones muestrales. 51 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Métodos estadísticos de la ingeniería Soluciones de la hoja de problemas 5. Muestreo
Más detallesRegularización. agosto 2017
agosto 2017 Los métodos de selección de variables implican usar el estimador de mínimos cuadrados para ajustar un modelo lineal con sólo un subconjunto de las variables predictoras. Los métodos de regularización
Más detallesEstadistica II Tema 1. Inferencia sobre una población. Curso 2009/10
Estadistica II Tema 1. Inferencia sobre una población Curso 2009/10 Tema 1. Inferencia sobre una población Contenidos Introducción a la inferencia Estimadores puntuales Estimación de la media y la varianza
Más detallesSOLUCION TALLER 1 SOLUCION PUNTO 1. - Función de producción cuadrática. Se espera que: >0 porque x2 es un insumo de producción
SOLUCION TALLER 1 SOLUCION PUNTO 1 - Función de producción cuadrática Se espera que: >0 porque x1 es un insumo de producción >0 porque x2 es un insumo de producción
Más detallesHerramientas digitales de auto-aprendizaje para Matemáticas
real de con Herramientas digitales de auto-aprendizaje para Matemáticas, Grupo de Innovación Didáctica Departamento de Matemáticas Universidad de Extremadura real de con Índice real de con real de con.
Más detallesMedidas de asociación
13 Medidas de asociación Irene Moral Peláez 13.1. Introducción Recurriremos a las medidas de asociación cuando queramos evaluar el grado de asociación entre dos variables y no únicamente comprobar analíticamente
Más detallesCorrelación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)
Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre
Más detallesIDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA
IDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Problema de la estima θ(t): magnitud
Más detallesUNIVERSIDAD DE CIENCIAS EMPRESARIALES Y SOCIALES Facultad de Psicología y Ciencias Sociales. Licenciatura en Sociología. ESTADÍSTICA II (Plan 2008)
UNIVERSIDD DE CIENCIS EMPRESRILES Y SOCILES Facultad de Psicología y Ciencias Sociales ESTDÍSTIC II (Plan 2008) NÁLISIS DE REGRESIÓN N LINEL MÚLTIPLEM Prof. Titular Lic. Rubén José Rodríguez 21 de marzo
Más detallesMapa de caudales máximos
JORNADA TÉCNICA T DE INUNDACIONES 10-11 11 de junio de 010 Mapa de caudales máximos Antonio Jiménez Álvarez del CEDEX 1 CARACTERÍSTICAS GENERALES DEL TRABAJO Realizado dentro de un Convenio de colaboración
Más detallesPropiedades en una muestra aleatoria
Capítulo 5 Propiedades en una muestra aleatoria 5.1. Conceptos básicos sobre muestras aleatorias Definición 5.1.1 X 1,, X n son llamadas una muestra aleatoria de tamaño n de una población f(x) si son variables
Más detallesE.T.S. Minas: Métodos Matemáticos Ejercicios Tema 2 Aproximación e interpolación
E.T.S. Minas: Métodos Matemáticos Ejercicios Tema 2 Aproximación e interpolación Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña Curso 2006/07
Más detallesPruebas de Acceso a enseñanzas universitarias oficiales de grado Castilla y León
Selectividad Junio 05 Pruebas de Acceso a enseñanzas universitarias oficiales de grado Castilla y León MATEMÁTICAS II EJERCICIO Nº páginas: INDICACIONES:.- OPTATIVIDAD: El alumno deberá escoger una de
Más detalles4 de Junio de Puedes responder: i) A todas las cuestiones de la Sección 1; o ii) Idem. de la Sección 2. En ambos casos puedes obtener
4 de Junio de 1.999 Puedes responder: i) A todas las cuestiones de la Sección 1; o ii) Idem. de la Sección 2. En ambos casos puedes obtener puntuación total. No puedes sin embargo escoger cosas de ambas
Más detalles3. Resolver triángulos rectángulos utilizando las definiciones de las razones trigonométricas.
Contenidos mínimos MI. 1. Contenidos. Bloque I: Aritmética y Álgebra. 1. Conocer las clases de números, los conjuntos numéricos: naturales, enteros, racionales, reales y complejos y las propiedades que
Más detalles20. MODELOS EMPIRICOS
395 20. MODELOS EMPIRICOS Cuando se desconoce un modelo teórico para un proceso en funcionamiento, es posible plantear un modelo empírico haciendo ensayos de cambio en alguna condición de operación y registrando
Más detallesRelación entre variables: causalidad, correlación y regresión
Relación entre variables: causalidad, correlación y regresión Correlación entre variables. Modelos de regresión simple (lineal, cuadrática, cúbica). Modelos de regresión múltiple Blanca de la Fuente PID_00161061
Más detallesCAPÍTULO 9 REGRESIÓN LINEAL
CAPÍTULO 9 REGRESIÓN LINEAL En este capítulo, primero se tratará la Regresión Lineal Simple, cuyos aspectos descriptivos ya fueron considerados en la Sección 3.8 del texto. La inferencia estadística en
Más detallesTRABAJO PRÁCTICO ESTADISTICA APLICADA (746)
UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADEMICO AREA DE MATEMATICA TRABAJO PRÁCTICO ESTADISTICA APLICADA (746) JOSE GREGORIO SANCHEZ CASANOVA C.I. V-9223081 CARRERA: 610 SECCION Nº 1 SAN CRISTOBAL,
Más detalles