T. 9 El modelo de regresión lineal
|
|
- Ana Castro del Río
- hace 7 años
- Vistas:
Transcripción
1 1 T. 9 El modelo de regresón lneal 1. Conceptos báscos sobre el análss de regresón lneal. Ajuste de la recta de regresón 3. Bondad de ajuste del modelo de regresón Modelos predctvos o de regresón: la representacón de la relacón entre dos (o más) varables a través de un modelo formal supone contar con una expresón lógco-matemátca que, aparte de resumr cómo es esa relacón, va a permtr realzar predccones de los valores que tomará una de las dos varables (la que se asuma como varable de respuesta, dependente, crtero o ) a partr de los valores de la otra (la que se asuma como varable explcatva, ndependente, predctora o ). En lo que respecta al papel que juegan las varables en el modelo, mentras que en el análss de la relacón entre dos varables no se asumía un rol específco para las varables mplcadas (rol smétrco de las varables), la aplcacón de un modelo predctvo supone que una de las varables adopta el papel de varable explcatva y la otra el de varable de respuesta y es, por tanto, que se dce que las varables adoptan un rol asmétrco. En la lteratura estadístca se han planteado dferentes tpos de modelos predctvos que han dado respuesta a las característcas (escala de medda, dstrbucón...) de las varables que pueden aparecer mplcadas en un determnado modelo. El más conocdo es el modelo de regresón lneal (varable de respuesta cuanttatva), s ben, otras opcones a tener en cuenta son el modelo de regresón logístca (varable de respuesta categórca) o el modelo de Posson (varable de respuesta cuanttatva con dstrbucón muy asmétrca), entre otros. 1. Conceptos báscos sobre el análss de regresón lneal El modelo de regresón lneal es el más utlzado a la hora de predecr los valores de una varable cuanttatva a partr de los valores de otra varable explcatva tambén cuanttatva (modelo de Curso 9-1
2 regresón lneal smple). Una generalzacón de este modelo, el de regresón lneal múltple, permte consderar más de una varable explcatva cuanttatva. Por otra parte, tal como se verá en un tema posteror, es tambén posble nclur varables explcatvas categórcas en un modelo de regresón lneal s se sgue una determnada estratega en la codfcacón de los datos conocda como codfcacón fctca. En concreto, según el modelo de regresón lneal smple, las puntuacones de los sujetos en varables -una de ellas consderada como varable predctora () y la otra como varable de respuesta ()- venen representadas (modeladas) por la ecuacón de una línea recta: Ŷ β β1 1 = + Cuando hay más de una varable explcatva (modelo de regresón lneal múltple), se utlza un subíndce para cada una de ellas, por ejemplo, para el caso de dos varables explcatvas: Ŷ = + + β β1 1 β Ejemplo de aplcacón de un modelo de regresón lneal smple a fn de modelar la dstrbucón conjunta de las varables Estrategas de afrontamento y Estrés. En este ejemplo concreto, el modelo de regresón se concreta en el ajuste a los datos de la sguente ecuacón de regresón (tambén conocda como recta de regresón): ˆ = 75, + (,76) Puntuacón escala de estrés 6 Estrategas de afrontamento Puntuacón escala de estrés 6 Estrategas de afrontamento Curso 9-1
3 Los dos parámetros de la ecuacón de regresón lneal smple, β y β 1, son conocdos como el orgen (tambén, constante) y la pendente del modelo, respectvamente. En conjunto recben el nombre de coefcentes de la ecuacón de regresón. S la ecuacón de la recta de regresón es obtenda a partr de una muestra, y no de una poblacón (esto es, los coefcentes de la ecuacón de regresón son estadístcos, y no parámetros), la ecuacón se expresa como: Ŷ = b + b1 1 3 Una vez que sean conocdos los valores de β y β 1 del modelo de regresón lneal smple, éste puede ser utlzado como modelo predctvo, esto es, para realzar predccones de los valores que tomará la varable de respuesta para determnados valores de la varable explcatva. Basta para ello con susttur en la ecuacón de regresón el valor concreto de que se quera ( ). Al hacerlo, se obtendrá el valor predcho para según la ecuacón de regresón para aquellos casos que en la varable tomen el valor. Este valor es conocdo de forma genérca como puntuacón predcha, sendo representado smbólcamente como ' o ˆ. Ejercco 1: A partr de la dstrbucón conjunta de las varables cuanttatvas e y el correspondente dagrama de dspersón, dbuja la recta de regresón que mejor se ajuste a la nube de puntos. Cuál será la ecuacón de la recta de regresón dbujada?, cuáles serán, por tanto, los valores de β y β 1? Obtener los valores predchos en para dstntos valores de (por ejemplo, para = 3, para = 6, para = 9 ) Curso 9-1
4 Relacones determnstas vs. probablístcas y error de predccón: El anteror ejemplo representa el caso de una relacón determnsta (perfecta) entre e, donde r = 1, en consecuenca, los valores predchos ˆ a partr de según el modelo de regresón concdrán exactamente con los valores observados en, no cometéndose nngún error de predccón. Sn embargo, esta stuacón es nusual en el ámbto de las cencas socales y de la salud, donde cas sempre nos encontramos con relacones entre varables no perfectas (r 1 o -1). En estos casos, cuando se utlza la recta de regresón para predecr el valor en a partr del valor en de un determnado sujeto ( ), es probable que se cometa un error en la predccón realzada. A este error se le suele denomnar como error de predccón o resdual (E ) y queda defndo, por tanto, como la dferenca entre el verdadero valor de un sujeto en la varable ( ) y su valor predcho según la ecuacón de regresón ( ˆ ): E = ˆ De la expresón anteror se derva que la puntuacón observada de un sujeto en se puede obtener sumando a la puntuacón predcha el error de predccón o resdual para dcha puntuacón, esto es: = ˆ + E Ejemplo de los conceptos presentados para dos varables e (n = 5), sendo el modelo de regresón lneal ajustado a la dstrbucón conjunta de ambas varables, el sguente: ˆ =,8 + 1, Sq r lneal =, Curso 9-1
5 Utlzando la ecuacón de regresón ajustada a los datos, qué error cometemos al predecr a partr de para cada uno de los 5 casos? Por ejemplo, para el cuarto sujeto en la tabla ( = 6), el valor predcho es 1, ( Ŷ =,8+1,6 6 = 1,) y, en consecuenca, su error de predccón o resdual es 1,6 (E = 1 1,). Del msmo modo, para el resto de casos: 5 ˆ 6 6, 9 9, -, 5 1 1,8 -, , 1, ,6 -,6 E Adelantar que la columna de los errores de predccón consttuye un elemento de nformacón clave a la hora de tratar el concepto de bondad de ajuste del modelo de regresón, algo que se abordará en una seccón posteror. Gráfcamente, el resdual correspondente a cualquer punto del dagrama de dspersón vene representado por su dstanca vertcal a la recta de regresón, tal como se muestra abajo para el caso º de la muestra , = 1, Sq r lneal =, Otro ejemplo (Loslla y cols., 5) para el caso de las varables e cuyo dagrama de dspersón se muestra a contnuacón, sendo la correspondente ecuacón de regresón: Ŷ =,6 +,5 Curso 9-1
6 A la derecha se muestra el error de predccón, según el modelo de regresón ajustado, para el sujeto cuya puntuacón en y en es, respectvamente, 1,65 y 1,8. 6 Interpretacón de β y β 1 : El orgen (o constante) de la ecuacón de la recta de regresón (β ) representa el valor predcho en cuando la varable es gual a ; por su parte, más nteresante resulta el valor de la pendente (β 1 ), el cual representa la nclnacón de la recta de regresón respecto al eje de abscsas, más concretamente, cuánto cambo se produce en Ŷ por cada undad de ncremento en. En este sentdo, β 1 representa un ndcador de la relevanca del efecto que los cambos en tenen sobre. Ejemplo para el caso de varables e, sendo la ecuacón de regresón: Ŷ =,6 +,5 En cuanto que representa el ncremento en Ŷ por cada ncremento de en una undad, el valor de la pendente estará expresado en las msmas undades que la varable de respuesta. Curso 9-1
7 7 Valores que puede tomar β 1 : Puede tomar valores tanto postvos como negatvos, sendo mayores en valor absoluto cuanto mayor sea la pendente de la recta de regresón. Sería gual a s la recta de regresón fuese horzontal. A contnuacón se muestran ejemplos que muestran el vínculo drecto entre el valor de β y el tpo de relacón exstente entre las varables: β 1 > β 1 < Fgura A. Relacón lneal postva (drecta). Fgura B. Relacón lneal negatva (nversa). β 1 = β 1 = Fgura C. Ausenca de relacón. Fgura D. Relacón no lneal: curvlínea. En la fgura A la relacón entre e es postva (β 1 >), lo cual ndca que cada ncremento de una undad en producrá un ncremento en Ŷ gual al valor de la pendente. En la fgura B la relacón es nversa (β 1 <), por tanto, cada ncremento de una undad en producrá un decremento en Ŷ gual al valor de la pendente. En la fgura C y la fgura D, β 1 = y, por tanto, la recta de regresón es paralela al eje de abscsas, ponendo de manfesto que no exste relacón lneal entre e. Ejemplo: A contnuacón se presentan los datos de un estudo cuyo objetvo fue nvestgar el efecto de las estrategas de afrontamento () de los sujetos sobre su nvel de estrés (). En los sguentes apartados veremos cómo obtener el valor de los dos coefcentes del modelo de regresón lneal (lo que se conoce como el ajuste o dentfcacón del modelo), cómo utlzarlo Curso 9-1
8 8 para realzar predccones en Estrés a partr del valor de Afrontamento de los sujetos, y cómo valorar la caldad de dchas predccones (lo que se conoce como el análss de la bondad de ajuste o capacdad predctva del modelo). En la tabla nferor se muestran las puntuacones recogdas a partr de una muestra de 7 sujetos en una escala observaconal de estrés y en un test orentado a evaluar la utlzacón de mecansmos de afrontamento. El rango de puntuacones en ambas varables puede osclar entre a 1, sgnfcando puntuacones más altas mayor estrés y mayor capacdad de utlzacón de mecansmos de afrontamento, respectvamente. Caso Estrés Afronta Puntuacón escala de estrés Estrategas de afrontamento Curso 9-1
9 9. Ajuste de la recta de regresón La dentfcacón o ajuste de un modelo de regresón supone obtener los coefcentes que caracterzan al msmo, en el caso del modelo de regresón lneal smple, β y β 1. Ello supone aplcar un procedmento de cálculo (método de estmacón) que permta, a partr de los datos dsponbles, obtener los coefcentes de la ecuacón de la línea recta que represente óptmamente la dstrbucón conjunta de las varables modeladas. Ahora ben, cuál es la línea recta que representa óptmamente a una nube de puntos?, en defntva, cuál es la que ofrece una mayor bondad de ajuste? Ejemplo: para los 3 pares de valores en las varables e representados gráfcamente abajo se han superpuesto posbles rectas de regresón, cuál sería la recta de regresón que elegríamos como mejor?, por qué? En prncpo, un crtero natural de bondad de ajuste supone consderar la ecuacón de regresón que dé lugar a un menor error en las predccones. Ahora ben, pueden consderarse dferentes procedmentos a la hora de hacer operatva la evaluacón de la magntud de los errores de predccón. Por ejemplo, la tabla nferor (Loslla y cols., 5) lustra gráfcamente la dferenca entre el uso de tres métodos a la hora de evaluar la magntud de los errores de predccón de un determnado modelo de regresón: la suma de los errores (SE); la suma de los valores absolutos de los errores (SAE); y la suma de los cuadrados de los errores (SCE). Para cualquera de ellos, tendrá un mejor ajuste la ecuacón de regresón que tenga un valor más próxmo a. Curso 9-1
10 1 Ejemplo: en la tabla nferor se muestra el resultado de aplcar los 3 métodos consderados a cada una de las ecuacones de regresón ajustadas a los datos del ejemplo anteror, cuál de ellos hace corresponder como mejor modelo a aquél que hemos elegdo anterormente de forma gráfca?, qué ventajas e nconvenentes encontramos a estos métodos? Método SE Σ E Método SAE Σ E Método SCE Σ E Recta A: = 3,6 + 1, +6+( 6) = +6+6 = ( 6) = 7 Recta B: = 7, +, 6++ = = 6 ( 6) ++ = 36 Recta C: = 3 +,5 3+( 3)+ = 3+3+ = 6 3 +( 3) + = 18 Recta D: = 1, +,8 +6+ = = = 36 (SE: Sumatoro de los errores; SAE: Sumatoro de valores absolutos de los errores; SCE: Sumatoro de cuadrados de los errores) Como puede observarse, el método SE enmascara la posble exstenca de errores de gran magntud que, al sumarse y ser de dstnto sgno, se compensan entre sí dando lugar a un valor de SE que puede llegar a ser bajo o ncluso nulo. Tanto el crtero SAE como el SCE salvan este nconvenente, sn embargo, el método SCE se ve favorecdo por la exstenca de errores que, en general, sean tan bajos como sea posble, pues los errores ndvduales altos, al elevarse a cuadrado, se converten en números muy grandes. En resumen, la ventaja del método SCE estrba en que su valor será más bajo cuando globalmente los errores para todas las observacones sean pequeños, algo que resulta deseable para una recta que represente a todos los datos y que pueda utlzarse a la hora de realzar predccones. Dadas la ventaja del método SCE frente a otros a la hora de evaluar la magntud de los errores de predccón, éste ha vendo en constturse como el método más popular a la hora de estmar los coefcentes de la ecuacón de regresón. Así, para este método, conocdo como método de los mínmos cuadrados ordnaros, la mejor recta de regresón, de entre todas las posbles que se pueden ajustar a la dstrbucón conjunta de varables, será aquélla para la que la SCE sea mínma: Mejor modelo de regresón mn( SCE) = mn ( E ) mn ( ( ˆ ) = ) Curso 9-1
11 11 Tras realzar las dervacones matemátcas pertnentes, de acuerdo al método de mínmos cuadrados ordnaros, las fórmulas de obtencón de los parámetros de la ecuacón de regresón que van a satsfacer que la SCE sea mínma son las sguentes: β σ 1 = ρ 1 σ β = µ β µ en el caso que los msmos deban ser estmados a partr de datos muestrales, los mejores estmadores puntuales de los anterores parámetros son los sguentes estadístcos: ˆ s s' β b = r o r ˆ β b = b s s' A partr de lo anteror, la ecuacón de la recta de regresón quedaría expresada a nvel muestral como ˆ = b+ b1, s ben, tambén aparece en algunos lbros de texto como ˆ = a+ b. Ejercco : a) Obtener el valor de los coefcentes b y b 1 para el ejemplo sobre afrontamento y estrés, tenendo en cuenta los sguentes resultados: r xy =,87; s =,8; s =,37; = 5, e = 35,56 b) Plantear la ecuacón de la recta de regresón. c) Qué predccón de estrés haríamos para un sujeto con una puntuacón de 78 en la escala de afrontamento ( = 78)? Cuál sería el error de predccón (E ) para este sujeto? d) Interpretar los coefcentes de la recta de regresón e) Dbujar (de forma aproxmada) la recta de regresón sobre el dagrama de dspersón de las varables presentado anterormente. f) A contnuacón se muestran los outputs obtendos con el programa SPSS del análss de regresón para este ejemplo. Identfcar en los msmos los resultados obtendos anterormente. Modelo 1 Resumen del modelo R cuadrado Error típ. de la R R cuadrado corregda estmacón.87 a a. Varables predctoras: (Constante), Estrategas de afrontamento Curso 9-1
12 1 Modelo 1 (Constante) Estrategas de afrontamento Coefcentes a Coefcentes no estandarzados Coefcent es estandar zados B Error típ. Beta t Sg a. Varable dependente: Puntuacón escala de estrés 3. Bondad de ajuste del modelo de regresón La bondad de ajuste de un modelo de regresón se refere al grado en que éste es convenente como modelo que representa a las varables mplcadas en el msmo. Tal como hemos vsto, al ajustar un modelo de regresón lneal smple a la dstrbucón conjunta de varables obtendremos la mejor recta de regresón de entre todas las posbles que se pueden ajustar a esa dstrbucón, ahora ben, ello no sgnfca que sea buena como modelo que represente a ambas varables. Así, puede ocurrr que la dstrbucón conjunta de varables sea dfícl de modelar debdo a la nexstenca de relacón entre las varables (ver, por ejemplo, el caso de la Fgura A), o ben, que el modelo de regresón lneal no sea el más adecuado para ese propósto (ver, por ejemplo, el caso de la Fgura B). Fgura A: Ausenca de relacón. Fgura B: Relacón no lneal. Ejemplo: la relacón entre los dos pares de varables 1-1 y - que aparece representada en los dos sguentes dagramas de dspersón (Loslla y cls., 5) es ajustada, casualmente, por la msma ecuacón de regresón lneal ( ' = 5,7+,56 ). Sn embargo, tal como se puede ntur a nvel vsual, la bondad de ajuste de la ecuacón de la fgura de la zquerda será mejor que la de la fgura de la derecha. Curso 9-1
13 Modelo 1: 1' = 5,7 +,56 Modelo : ' = 5,7+,56 Exsten dferentes aproxmacones en la evaluacón de la bondad del ajuste de un modelo a la realdad que ese modelo pretende representar. Una elemental consste en comparar las puntuacones predchas por el modelo de regresón ( ˆ ) con las puntuacones reales a partr de las que ha sdo estmado ( ). El índce más utlzado en esta aproxmacón es, precsamente, el conocdo como la suma de cuadrados de los errores de predccón (o resduales) (SCE o SC ), el cual ya fue ntroducdo en el apartado anteror como crtero de referenca del método de estmacón de mínmos cuadrados ordnaros en la estmacón de los parámetros de la ecuacón de regresón: SCE ( o SC ) = n n E = 1 = 1 = ( ˆ ) La suma de cuadrados de los resduales puede osclar entre y cualquer valor postvo. S este sumatoro da, el modelo de regresón se ajusta perfectamente a los datos; cuanto mayor sea su valor, ello sgnfcará que más erróneas son las predccones de la ecuacón de regresón y, por lo tanto, peor su bondad como modelo predctvo. Consecuenca de esta ausenca de un techo numérco, este índce puede resultar dfícl de nterpretar en la práctca. Un índce dervado del anteror es el que se obtene como meda artmétca del cuadrado de los errores de predccón, esto es, el resultado de dvdr la SCE por n, el cual se denomna como varanza de los errores ( S que SCE. ). De nuevo, este índce adolece del msmo problema de nterpretacón S n = = 1 ( ˆ ) n Curso 9-1
14 1 Otro índce que supera el problema nterpretatvo de los dos anterores ha sdo propuesto tras tomar como punto de referenca una relacón básca que se da cuando se ajusta un modelo de regresón lneal a (o más) varables. Es la que se conoce como gualdad de la descomposcón de la varanza de, la cual se derva del axoma que establece que la puntuacón observada en la varable de respuesta es gual a la predcha según el modelo de regresón más el error de predccón cometdo: = ˆ + E. A partr de la anteror gualdad se puede dervar algebracamente la sguente: SC SC' SC = +, o lo que es lo msmo: n n n ' ( ) ( ) ( = 1 = 1 = 1 = + ' ) S cada uno de los térmnos de la expresón anteror lo dvdmos por n, tendremos la msma gualdad expresada en forma de varanzas: s = s + s ' Así, la varanza en las puntuacones de la varable de respuesta () es gual a la varanza explcada por el modelo de regresón (varanza de las puntuacones predchas) más la varanza no explcada por el modelo de regresón (varanza de los errores o resduales). ( s se hubese dvddo por n-1, lo msmo con cuas-varanzas: s= ) Consecuenca de la gualdad de descomposcón de la varanzas, se puede plantear un índce de la bondad de ajuste como razón de la varanza explcada por el modelo de regresón ( s ' ) respecto a la varanza total ( s ): s s ' La anteror razón, conocdo como coefcente de determnacón (R ), puede tambén expresarse en forma de razón de cuas-varanzas o de sumas de cuadrados: R ' = s' s' SC ' s = s = ' SC Curso 9-1
15 15 El coefcente de determnacón (R ) representa la proporcón de varanza de explcada por las varables mplcadas en el modelo de regresón ajustado a los datos ( en el modelo de regresón lneal smple). En cuanto que una razón, este coefcente osclará sempre entre y 1, de modo que cuanto más próxmo sea R a 1, ndcará mejor bondad de ajuste del modelo de regresón a la dstrbucón conjunta de las varables. S R es gual a 1, el ajuste será perfecto. Otro propuesta de índce de bondad de ajuste complementara a la anteror, aunque mucho menos utlzada en la práctca, es el conocdo como coefcente de alenacón, el cual tambén oscla entre y 1, s ben, en este caso valores próxmos a 1 ndcan peor bondad de ajuste del modelo a los datos. SC s s ' CALN = = = SC s s ' Obvamente, CALN = 1 R Destacar que, en el caso del modelo de regresón lneal smple, el coefcente de determnacón puede ser tambén calculado elevando al cuadrado el coefcente de correlacón de Pearson entre la varable predctora y la varable de respuesta R = r, lo cual puede facltar enormemente el cálculo de R s se conoce r. En resumen: R SC s s ' ' ' ' = = = = r SC s s ' Ejemplo de cálculo de la recta de regresón de sobre a partr de los sguentes 5 pares de puntuacones en ambas varables: = 6; S = 3,16; = 7; S = 3,7; r =,69 Ecuacón de la recta de sobre : ˆ =,8 +,8 Curso 9-1
16 16 Obtencón valores predchos ˆ para cada sujeto: ˆ =, 8 +,8 E ˆ ) ,36 8,6 11,1 3,7 6,18 ( -3,36,36 -,1 -,7 3,8 ˆ ) ( 11,9 5,57,1,5 1,59 ( ˆ,69,69 16,81 1,76,67 ) s = 36,/5 = 7,8 s ' = 33,6/5 = 6,7 A partr de los valores predchos se puede obtener: - La varanza de los errores (o resduales) s = 7,8 - La varanza de las puntuacones predchas s ' = 6,7 Descomposcón de la varanza de : s = 3,7 = 1 1 = 6,7 + 7,8 s = s + s ' Coefcente de determnacón (proporcón de la varanza de explcada por ): R = 6,7/1 =,8 (=,69 ) Coefcente de alenacón (proporcón de la varanza de no explcada por ): CALN = 7,8/1 =,5 (= 1,8) Ejercco 3: Al estudar la relacón entre dos varables e, sabemos que la varanza de es 1 y la varanza de los errores es 8. Cuál es el valor del coefcente de determnacón y del de alenacón?, y el del coefcente de correlacón de Pearson entre e? Ejercco : En una muestra de 1 alumnos de enseñanza secundara se han meddo dos varables: rendmento en el curso, cuantfcado como el promedo de las calfcacones de las asgnaturas del curso (); y el promedo de horas de estudo semanal durante el curso, obtendo a partr de autonforme de los propos estudantes (). Los datos obtendos son los que se muestran a contnuacón: Curso 9-1
17 Obtener a partr de los msmos: (1) medas y desvacones típcas de las dos varables [ a mano o, mejor, con la calculadora]; () el coefcente de correlacón de Pearson entre ambas varables [ídem]; (3) la ecuacón del modelo de regresón lneal de sobre [ídem]; () los valores predchos por la ecuacón de regresón para cada sujeto ( ˆ ); (5) los errores de predccón o resduales para cada sujeto (E ); (6) la varanza de los errores ( s ); (7) la varanza de ( s ); (8) la varanza de las puntuacones predchas ( s Ŷ ) [ a mano o, mejor, con la calculadora]; (9) comprobar que es certa la gualdad de la descomposcón de la varanza ( S = S ˆ + S ); (1) el coefcente de determnacón [de dos formas: (1.1) a partr de las varanzas; (1.) a partr del coefcente de correlacón entre e ]; (11) nterpretar las estmacones puntuales de los parámetros de la ecuacón de regresón obtendos (b y b 1 ); (1) estmar según el modelo de regresón obtendo cuál será la puntuacón meda obtenda a fnal de curso para un estudante que dedque 16 horas de estudo a la semana de promedo. Ejercco 5: A contnuacón se muestran el output del análss de regresón realzado con el programa SPSS para los datos del ejercco anteror. Identfcar en los msmos los resultados obtendos en el ejercco anteror (apartados, 3 y 6 a 1). Resumen del modelo Modelo R R cuadrado R cuadrado corregda Error típ. de la estmacón 1.96(a) Curso 9-1
18 18 ANOVA Modelo Suma de cuadrados gl Meda cuadrátca F Sg. 1 Regresón (a) Resdual Total 3. 9 a Varables predctoras: (Constante), Horas_estudo b Varable dependente: Rendmento_curso Coefcentes(a) Modelo Coefcentes no estandarzados Coefcentes estandarzados T Sg. Intervalo de confanza para B al 95% B Error típ. Beta Límte nferor Límte superor 1 (Constante) Horas_estudo Ejercco 6: En el ejemplo anteror de las varables de Afrontamento y Estrés sabemos que r =,87 y que S =,37. Cuál será el valor del coefcente de determnacón?; cómo se nterpreta dcho valor?; cuál es el valor de la varanza de explcada por el modelo de regresón (en este caso, por la varable Afrontamento )?, y cuál el de la varanza de los resduales? Referencas: Loslla, J. M., Navarro, B., Palmer, A., Rodrgo, M. F. y Ato, M. (5). Del contraste de hpótess al modelado estadístco. Documenta Unverstara. [ Curso 9-1
Figura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesInferencia en Regresión Lineal Simple
Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detallesModelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
Más detallesDISTRIBUCIONES BIDIMENSIONALES
Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesPrueba de Evaluación Continua
Estadístca Descrptva y Regresón y Correlacón Prueba de Evaluacón Contnua 1-III-18 1.- Dada la varable x y la nueva varable y=a+bx, ndcar (demostrándolo) la expresón exstente entre las respectvas medas
Más detallesInstituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm
Insttuto Tecnológco Superor del Sur del Estado de Yucatán REGRESI EGRESIÓN LINEAL 100 90 80 70 60 10 kg. 50 40 10 cm. 30 140 150 160 170 180 190 200 Objetvo de la undad Insttuto Tecnológco Superor del
Más detallesLección 4. Ejercicios complementarios.
Introduccón a la Estadístca Grado en Tursmo Leccón 4. Ejerccos complementaros. Ejercco 1 (juno 06). La nformacón relatva al mes de enero sobre los ngresos (X) y los gastos (Y), expresados en mles de euros,
Más detallesLicenciatura en Administración y Dirección de Empresas INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL
INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL Relacón de Ejerccos nº 2 ( tema 5) Curso 2002/2003 1) Las cento trenta agencas de una entdad bancara presentaban, en el ejercco 2002, los sguentes datos correspondentes
Más detallesPoblación 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia
MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen
Más detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesRegresión Lineal Simple y Correlación
4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesACTIVIDADES ESTADÍSTICA UNIDIMENSIONAL. a) Calcula la temperatura media y la temperatura mediana de la semana.
Matemátcas Aplcadas a las Cencas Socales I ACTIVIDADES ESTADÍSTICA UNIDIMENSIONAL 1) Se ha meddo la temperatura en grados centígrados la presón atmosférca en mm en una cudad durante una semana obtenéndose
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesIntroducción a la Física. Medidas y Errores
Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren
Más detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Junio de :00 horas. Pregunta 19 A B C En Blanco. Pregunta 18 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Juno de 3 9: horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta A B C En Blanco Pregunta
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 17 de Mayo de :00 horas
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 7 de Mayo de 08 9:00 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta A B C En Blanco
Más detallesUn estimado de intervalo o intervalo de confianza ( IC
Un estmado puntual, por ser un sólo número, no proporcona por sí msmo nformacón alguna sobre la precsón y confabldad de la estmacón. Debdo a la varabldad que pueda exstr en la muestra, nunca se tendrá
Más detallesCorrelación y regresión lineal simple
. Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan
Más detallesEJERCICIOS: Tema 3. Los ejercicios señalados con.r se consideran de conocimientos previos necesarios para la comprensión del tema 3.
EJERCICIOS: Tema 3 Los ejerccos señalados con.r se consderan de conocmentos prevos necesaros para la comprensón del tema 3. Ejercco 1.R Dos bblotecas con el msmo fondo bblográfco especalzado ofrecen las
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septiembre de :30 horas. Pregunta 19 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septembre de 01 15:30 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta 1 A B C
Más detallesUNIDAD 12: Distribuciones bidimensionales. Correlación y regresión
Matemátcas aplcadas a las Cencas Socales UNIDAD 1: Dstrbucones bdmensonales. Correlacón regresón ACTIVIDADES-PÁG. 68 1. La meda la desvacón típca son: 1,866 0,065. Los jugadores que se encuentran por encma
Más detallesEjercicios y Talleres. puedes enviarlos a
Ejerccos y Talleres puedes envarlos a klasesdematematcasymas@gmal.com www.klasesdematematcasymas.com EJERCICIOS DE REGRESIONES Y ANALISIS DE COVARIANZA Analzar la nformacón recoplada por medo de los dferentes
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora
Más detallesRegresión múltiple k k
Métodos de Regresón Estadístca Ismael Sánchez Borrego Regresón múltple El modelo de regresón múltple es la extensón a k varables explcatvas del modelo de regresón smple estudado en el apartado anteror.
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una muestra de observacones formadas por pares de varables: (x 1, y 1 ), (x, y ),.., (x n, y n ) A través de esta muestra, se desea estudar la relacón
Más detalles16/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León Índce Introduccón Varables estadístcas Dstrbucones de frecuencas Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca, armónca,
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 20 DE JUNIO DE horas
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 0 DE JUNIO DE 018 15.30 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta 1 A B C En Blanco
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL
ESTADÍSTICA BIDIMESIOAL ÍDICE GEERAL 1.-Varable Estadístca Bdmensonal. Tablas de frecuenca... 1.1.- Concepto de varable estadístca bdmensonal. Eemplos.... 1..-Tablas bdmensonales de frecuencas. Tablas
Más detallesEJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales:
EJERCICIOS Tema 2: MODELO DE REGRESION LINEAL SIMPLE Ejercco 1.- Para el modelo de regresón smple sguente: Y = βx + ε =1,..., 100 se tenen las sguentes medas muestrales: ( P y ) /n =0.3065 ( P y 2 ) /n
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesa) DIAGRAMA DE DISPERSION
SIS 335 - A EJEMPLO.- Se ha recogdo datos de una localdad medante sendas encuestas sobre el consumo (Y) de productos de hogar y de la renta (X) de los consumdores consultados, obtenéndose los sguentes
Más detallesRegresión de Datos de Vida
Regresón de Datos de Vda Resumen El procedmento Regresón de Datos de Vda está dseñado para ajustar un modelo estadístco paramétrco relaconado con tempos de falla a una o más varables predctoras. Los predctores
Más detallesRegresión y Correlación Métodos numéricos
Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El
Más detallesEspecialista en Estadística y Docencia Universitaria REGRESION LINEAL MULTIPLE
Especalsta en Estadístca y Docenca Unverstara REGRESION LINEAL MULTIPLE El modelo de regresón lneal múltple El modelo de regresón lneal múltple con p varables predctoras y basado en n observacones tomadas
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detallesEstas medidas serán más significativas cuanto más homogéneos sean los datos y pueden ser engañosas cuando mezclamos poblaciones distintas.
UIDAD 3: Meddas estadístcas Las meddas estadístcas o parámetros estadístcos son valores representatvos de una coleccón de datos y que resumen en unos pocos valores la normacón del total de datos. Estas
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesRegresión Binomial Negativa
Regresón Bnomal Negatva Resumen El procedmento Regresón Bnomal Negatva está dseñado para ajustar un modelo de regresón en el cual la varable dependente Y consste de conteos. El modelo de regresón ajustado
Más detallesTema 1: Estadística Descriptiva Unidimensional
Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesRegresión y correlación simple 113
Regresón y correlacón smple 113 Captulo X ANALISIS DE REGRESION Y CORRELACION El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes
Más detallesllamadas variables independientes, d e es, tomando valores en R las p+1 variables consideradas.
Análss de Regresón Lneal Mª Dolores Cubles de la Vega Departamento de Estadístca e Investgacón Operatva Unversdad de Sevlla El Análss de Regresón es un conjunto de técncas estadístcas cuyo objetvo es nvestgar
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas
Más detallesRegresión lineal y correlación lineal
UNIVERSIDAD ESTATAL DEL SUR DE MANABÍ Creada medante regstro Ofcal 61 del 7 de Febrero del 001 CARRERA DE AUDITORÍA Novembre 016 abrl 017 Semnaro de Investgacón Regresón lneal y correlacón lneal Dra. Marsabel
Más detallesESTADISTÍCA. 1. Población, muestra e individuo. 2. Variables estadísticas. 3. El proceso que se sigue en estadística
ESTADISTÍCA. Poblacón, muestra e ndvduo Las característcas de una dstrbucón se pueden estudar drectamente sobre la poblacón o se pueden nferr a partr de l estudo de una muestra. Poblacón estadístca es
Más detallesIDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR
IDENTIFICACIÓN Y MODELADO DE PLANTAS DE ENERGÍA SOLAR En esta práctca se llevará a cabo un estudo de modelado y smulacón tomando como base el ntercambador de calor que se ha analzado en el módulo de teoría.
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS SEPTIEMBRE 2014 Código asignatura: EXAMEN TIPO TEST MODELO B DURACION: 2 HORAS.
eptembre 04 EAMEN MODELO B ág. INTRODUCCIÓN AL ANÁLII DE DATO ETIEMBRE 04 Códgo asgnatura: 60037 EAMEN TIO TET MODELO B DURACION: HORA olucones 0 4 40 30 0 0 0 44 4 39 6 4 36 37 3 8 00 0 0 03 04 Nº de
Más detallesSEMANA 13. CLASE 14. MARTES 20/09/16
SEMAA 3. CLASE. MARTES 20/09/6. Defncones de nterés.. Estadístca descrptva. Es la parte de la Estadístca que se encarga de reunr nformacón cuanttatva concernente a ndvduos, grupos, seres de hechos, etc..2.
Más detallesPrueba de Inferencia Estadística y Contraste de Hipótesis. 8 de octubre de 2012 GRUPO A
Prueba de Inferenca Estadístca y Contraste de Hpótess 8 de octubre de 01 GRUPO A 1.- Se ha observado un ángulo cnco veces, obtenéndose los sguentes valores: Se pde: 65º5 ; 65º33 ; 65º3 ; 65º8 ; 65º7 a)
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesRelación 2: Regresión Lineal.
Relacón 2: Regresón Lneal. 1. Se llevó a cabo un estudo acerca de la cantdad de azúcar refnada (Y ) medante un certo proceso a varas temperaturas dferentes (X). Los datos se codfcan y regstraron en el
Más detalles17/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León 1 Índce Introduccón Varables estadístcas Dstrbucones esde frecuencas c Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca,
Más detallesCOLEGIO INGLÉS MEDIDAS DE DISPERSIÓN
COLEGIO IGLÉS DEPARTAMETO IVEL: CUARTO MEDIO PSU. UIDAD: ESTADISTICA 3 PROFESOR: ATALIA MORALES A. ROLADO SAEZ M. MIGUEL GUTIÉRREZ S. JAVIER FRIGERIO B. MEDIDAS DE DISPERSIÓ Las meddas de dspersón dan
Más detallesTEMA 14. ESCALAMIENTO CONJUNTO. INTRODUCCIÓN A LA TEORÍA DE LA RESPUESTA A LOS ITEMS (TRI)
TEMA 14. ESCALAMIENTO CONJUNTO. INTRODUCCIÓN A LA TEORÍA DE LA RESPUESTA A LOS ITEMS (TRI) 14.1. La Curva Característca de los ítems (CCI) 14.. Los errores típcos de medda 14.3. La Funcón de Informacón
Más detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
Más detallesCLAVE - Laboratorio 1: Introducción
CLAVE - Laboratoro 1: Introduccón ( x )( x ) x ( xy) x y a b a b a a a ( x ) / ( x ) x ( x ) x a b a b a b ab n! n( n 1)( n 2) 1 0! 1 x x x 1 0 1 (1) Smplfque y evalúe las sguentes expresones: a. 10 2
Más detallesEl Impacto de las Remesas en el PIB y el Consumo en México, 2015
El Impacto de las Remesas en el y el Consumo en Méxco, 2015 Ilana Zárate Gutérrez y Javer González Rosas Cudad de Méxco Juno 23 de 2016 1 O B J E T I V O Durante muchos años la mgracón ha sdo vsta como
Más detallesFacultad de Ciencias Básicas
Facultad de Cencas Báscas ANÁLISIS GRÁFICO DE DATOS EXPERIMENTALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos expermentales. Establecer un crtero para el análss de grafcas
Más detallesTema 1:Descripción de una variable. Tema 1:Descripción de una variable. 1.1 El método estadístico. 1.1 El método estadístico. Describir el problema
Tema :Descrpcón de una varable Tema :Descrpcón de una varable. El método estadístco. Descrpcón de conjuntos de datos Dstrbucones de frecuencas. Representacón gráfca Dagrama de barras Hstograma. Meddas
Más detallesGuía para el Trabajo Práctico N 5. Métodos Estadísticos en Hidrología
Guía para el Trabajo Práctco 5 Métodos Estadístcos en Hdrología er. PASO) Realzar el ajuste de la funcón de dstrbucón normal a una muestra de datos totales anuales de una varable (caudal, precptacón, etc.)
Más detalles2 Dos tipos de parámetros estadísticos
Dos tpos de parámetros estadístcos Págna 198 1. Calcula la meda, la medana y la moda de cada una de estas dstrbucones estadístcas: a) 4, 5, 6, 6, 6, 6, 7, 11, 1, 17 b), 1, 6, 9,, 8, 9,, 14, c), 3, 3, 3,
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
Más detallesTema 2.- Regresión lineal múltiple (I) Introducción 2.2. Especificación del modelo de regresión lineal múltiple. 2.3.
Tema.- Regresón lneal múltple (I)... Introduccón.. Especfcacón del modelo de regresón lneal múltple..3. Estmacón de los parámetros del modelo por mínmos cuadrados..4. Interpretacón de la ecuacón de regresón..5.
Más detallesExamen Final de Econometría Grado
Examen Fnal de Econometría Grado 17 de Mayo de 2016 15.30 horas Apelldos: Grado (ADE/ ECO): Nombre del profesor(a): Nombre: Grupo: Emal: Antes de empezar a resolver el examen, rellene TODA la nformacón
Más detallesHeight (altura) Extraction (extracción)
Regresón Posson Resumen El procedmento Regresón Posson está dseñado para ajustar un modelo de regresón en el cual la varable dependente Y consste de conteos. El modelo de regresón ajustado relacona Y con
Más detallesPRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general). 3. En el modelo lneal general Y = X b + e, explcar la forma
Más detallesEL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA
EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de
Más detallesAnálisis de la varianza de un factor
Análss de la varanza de un factor El test t de muestras se aplca cuando se queren comparar las medas de dos poblacones con dstrbucones normales con varanzas guales y se observan muestras ndependentes para
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Métodos multivariantes en control estadístico de la calidad
UNIVERSIDAD NAIONAL MAYOR DE SAN MAROS FAULTAD DE IENIAS MATEMÁTIAS E.A.P. DE ESTADÍSTIA Métodos multvarantes en control estadístco de la caldad apítulo IV. Gráfcos de control MUSUM TRABAJO MONOGRÁFIO
Más detallesRiesgos Proporcionales de Cox
Resgos Proporconales de Cox Resumen El procedmento Resgos Proporconales de Cox esta dseñado para ajustar un modelo estadístco sem-parámetrco a los tempos de falla de una o mas varables predctoras. Los
Más detallesCASO PRÁCTICO TEORÍA. 1 i (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS)
Caso 6: Calbrado para fosfato y predccón nversa 43 Caso 6 : Calbrado para fosfato y predccón nversa (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS) CASO PRÁCTICO Al hacer calbrados con
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Preguntas y Ejercicios para Evaluación: Tema 5
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Preguntas y Ejerccos para Evaluacón: Tema 5 1. Contestar brevemente a las sguentes cuestones relaconadas con las Redes de Base
Más detallesCapítulo 2: ANALISIS EXPLORATORIO de DATOS Estadística Computacional 1º Semestre 2003
Unversdad Técnca Federco Santa María Departamento de Informátca ILI-80 Capítulo : ANALISIS EXPLORATORIO de DATOS Estadístca Computaconal º Semestre 003 Profesor :Héctor Allende Págna : www.nf.utfsm.cl/~hallende
Más detallesUn ejemplo de Análisis Factorial de Correspondencias
Estadístca Anàls de Dades (curs 001-00) Un ejemplo de Análss Factoral de Correspondencas Se trata de estudar la estructura de las ventas de una empresa que dstrbuye 10 productos en 8 mercados. Para ello
Más detallesTema 9. Análisis de Varianza de un factor. Análisis de la Varianza (ANOVA) Conceptos generales
Tema 9 Análss de la Varanza (ANOVA) Conceptos generales La técnca del Análss de la Varanza consste en descomponer la varabldad de una poblacón (representada por su varanza) en dversos sumandos según los
Más detallesMEDIDAS DE ASOCIACIÓN: COEFICIENTES DE CORRELACIÓN Y DE REGRESIÓN I.- Introducción En el tema I estudiamos las medidas descriptivas para una
MEDIDAS DE ASOCIACIÓ: COEFICIETES DE CORRELACIÓ DE REGRESIÓ I.- Introduccón En el tema I estudamos las meddas descrptvas para una varable, y además, planteamos que tales meddas tambén exsten para dos o
Más detallesFISICOQUÍMICA FARMACÉUTICA (0108) UNIDAD 1. CONCEPTOS BÁSICOS DE CINÉTICA QUÍMICA
FISICOQUÍMICA FARMACÉUTICA (008) UNIDAD. CONCEPTOS BÁSICOS DE CINÉTICA QUÍMICA Mtra. Josefna Vades Trejo 06 de agosto de 0 Revsón de térmnos Cnétca Químca Estuda la rapdez de reaccón, los factores que
Más detallesENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2011 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. 3 y
ENUNCADOS DE LOS EJERCCOS PROPUESTOS EN 011 EN MATEMÁTCAS APLCADAS A LAS CENCAS SOCALES. EJERCCO 1 a (5 puntos Raconalce las epresones y. 7 b (5 puntos Halle el conjunto de solucones de la necuacón EJERCCO
Más detallesTODO ECONOMETRIA. Variables cualitativas
TODO ECONOMETRIA Varables cualtatvas Índce Defncón de las varables dummy (o varables fctcas) Regresón con varables explcatvas dummy Varables dummy S queremos estudar s los hombres ganan más que las mujeres,
Más detallesMEDIDAS DESCRIPTIVAS
Tema 2: MEDIDAS DESCRIPTIVAS DE LOS DATOS 1. MEDIDAS DE CETRALIZACIÓ: Meda Medana Moda Cuantles Otras 2. MEDIDAS DE DISPERSIÓ: Desvacón típca Varanza Rango Otras 3. MEDIDAS DE FORMA: Asmetría Apuntamento
Más detalles1. Notación y tabulación
Tema 2: Descrpcón Unvarante. otacón y tabulacón 2. Descrpcón gráfca 3. Descrpcón numérca. Momentos estadístcos. Meddas de poscón. Meddas de dspersón v. Varable tpfcada v. Meddas de forma v. Meddas de concentracón
Más detallesANEXO A: Método de Interpolación de Cokriging Colocado
ANEXO A: Método de Interpolacón de Corgng Colocado A. Conceptos Báscos de Geoestadístca Multvarada La estmacón conunta de varables aleatoras regonalzadas, más comúnmente conocda como Corgng (Krgng Conunto),
Más detallesEstimación de incertidumbres en calibración de Osciladores
Estmacón de ncertdumbres en calbracón de Oscladores J. Maurco López R. Dvsón de Tempo Frecuenca Centro Naconal de Metrología maurco.lopez@cenam.mx Resumen La frecuenca de salda de los oscladores debe ser
Más detalles1.Variables ficticias en el modelo de regresión: ejemplos.
J.M.Arranz y M.M. Zamora.Varables fctcas en el modelo de regresón: ejemplos. Las varables fctcas recogen los efectos dferencales que se producen en el comportamento de los agentes económcos debdo a dferentes
Más detallesPyE_ EF2_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detalles