TALLER INTERNACIONAL CREANDO RECOLECCIÓN Y ANÁLISIS DE DATOS. Lima Feb, Análisis Econométrico
|
|
- Sofia Castro Alcaraz
- hace 7 años
- Vistas:
Transcripción
1 TALLER INTERNACIONAL CREANDO CAPACIDAD NACIONAL EN LA RECOLECCIÓN Y ANÁLISIS DE DATOS Lma 9-3 Feb, 007 Análss Econométrco
2 Análss de Regresón La regresón es la técnca estadístca más etendda y se utlza para estmar las relacones entre varables ndependentes eplcatoras y la varable dependente. Los modelos de regresón ayudan a entender y eplcar las relacones entre varas varables; tambén srven para predecr resultados.
3 Análss de Regresón Lneal Smple El análss de regresón lneal smple trata de modelar la relacón entre dos varables ajustando una ecuacón lneal a los datos observados. Una de las varables se consdera la varable eplcatora y la otra, la varable dependente. Antes de ajustar un modelo lneal a los datos observados, el nvestgador debe determnar s entre las varables de nterés este una relacón. Esto no sgnfca que oblgatoramente una varable cause la otra, sno que este algún tpo de asocacón entre ellas. 3
4 Análss de Regresón Lneal Smple Para nvestgar el alcance de cualquer asocacón ó entre dos varables se puede recurrr tanto a gráfcos como a métodos numércos. Scatterplot 0 0 chl_labor c gdp
5 Análss de Regresón Lneal Smple Coefcente de correlacón y covaranza La covaranza y el coefcente de correlacón son parámetros estrechamente relaconados entre sí e ndcan el grado en el que dos varables aleatoras co-varan. cov, y y n y Para cuantfcar la asocacón lneal entre dos varables se utlza el coefcente de correlacón 5 y y y r r + y
6 Análss de Regresón Lneal Smple y α + + ε Estmacón de los parámetros cov, y y y var y dependent varable α constant term ntercept ndependent varable slopel of the lne ε error term α Varable dependente Térmno constante Varable ndependente Pendente de la recta Térmno de error y b 6
7 Inferenca Análss de Regresón Lneal Smple Es la obtencón de conclusones estadístcas sobre las propedades de una poblacón basándose en la observacón de una muestra obtenda de la propa poblacón. La nferenca estadístca se basa en el Contraste de Hpótess H 0 : H : Predccones: yˆ ˆ α + ˆ Los valores predchos se calculan l substtuyendo los parámetros estmados en la ecuacón de la recta de regresón
8 Regresón Lneal :Bondad del ajuste El Coefcente de Determnacón mde la bondad del ajuste yˆ y R eplaned varaton total varaton y y El coefcente de determnacón mde la proporcón de la varabldad de la varable dependente que es eplcada por el modelo de regresón; es una medda sobre bondad del ajuste de nuestro modelo. Puede varar entre 0 y. 8
9 Análss de Regresón Múltple ε α n n y... + ε k b k b b Y b ˆ... ˆ ˆ 0 Por lo que: N N N N Y Y Y Y b N N N N b Coefcente de correlacón múltple: es una estmacón de la nfluenca 9 combnada de o más varables sobre la varable observada dependente.
10 Supuestos del método de Mínmos Cuadrados Ordnaros MCO Lnealdad: la relacón entre los parámetros y la varable debe ser lneal. Normaldad: los errores deben tener una dstrbucón normal -técncamente sólo la normaldad es necesara para que el constraste de hpótess sea váldo. La estmacón de los coefcentes sólo requere que los errores estén déntcamente e ndependentemente dstrbudos. Homogenedad de la varanza homocedastcdad: la varanza del error debe ser constante. Independenca: los errores asocados a una observacón no están correlaconados con los errores asocados a otra observacón. Colneardad: los parámetros fuertemente correlaconados lnealmente relaconados pueden causar problemas a la hora de estmar los coefcentes de la regresón. 0
11 Análss de Regresón Múltple Ejemplo yα+ ++ε; Trabajo nfantl α+ gdp+ gastos salud+ comerco +ε Source a SS b df c MS d Number of obs e F 3, 3 f 3.93 Model Prob > F Resdual R-squared g Adj R-squared h Total Root MSE chl_labor j Coef. k Std. Err. l t m P> t m [95% Conf. Interval] n gdp health trade _cons
12 Análss de Regresón Múltple: Interpretacón de los resultados a: Es la fuente de la varanza: modelada Model, resdual y total. La varanza total se dvde en la varanza eplcada por las varables ndependentes Modelada y la varanza que las varables ndependentes no logran eplcar Resdual. Nótese que la Suma de los Cuadrados Sums of Squares del Modelo y del Resdual es gual a la Varanza Total. b: Son las Sumas de los Cuadrados asocadas a cada una de las tres fuentes de varanza total, modelada y resdual. Pueden calcularse de dversos modos. Conceptualmente, estas fórmulas pueden epresarse como: SStotal La varabldad total alrededor de la meda SY-Ybar SSResdual La suma de los cuadrados del error de la predccón SY - Ypredcted. SSModel La mejora de la predccón dervada de la utlzacón de la predccón de Y en lugar de la smple meda de Y. As, este valor es la suma de las dferencas entre los valores predchos de Y y la meda de Y, SYpredcted - Ybar. Otra forma de nterpretarlo es pensar que SSModel SSTotal - SSResdual. Nótese que SSTotal SSModel + SSResdual. Nótese que SSModel / SSTotal es gual a 0.47, el valor de R-cuadrado R-squared. Esto se debe a que R-cuadrado es la proporcón de la varanza total que vene eplcada por las varables ndependentes, y por lo tanto puede calcularse como SSModel / SSTotal. c: Son los grados de lbertad GL asocados a cada una de las fuentes de varanza. La varanza total t tene N- grados de lbertad. En este caso esten N7 observacones, por lo tanto los GL Totales son 6. Los grados de lbertad del Modelo corresponden al número de parámetros menos K -. Podría pensarse que esto sería 3- puesto que esten 3 varables ndependentes en el modelo, pero la constante se ncluye automátcamente en el modelo a no ser que se omta de forma eplícta. Al nclur la constante, esten 4 parámetros, por lo tanto, los grados de lbertad del Modelo son 4-3. Los grados de lbertad del Resduo son los GL Totales menos los GL del Modelo, 6-33.
13 d: Es la Meda de los Cuadrados d Mean Squares, es decr, la Suma de los Cuadrados d Sum of Squares dvdda dd por los Grados de Lbertad. Para el Modelo sería 97/343. Para el Resduo, 430/30. Se calculan para calcular el F-rato: se dvde el Cuadrado de la Meda del Modelo Mean Square Model entre el Cuadrado de la Meda del Resduo Mean Square resdual. Se ullza para contrastar la sgnfcanca de los parámetros del modelo. e: Es el número de observacones que se utlzan en el análss de regresón. f: El F-valor es el Cuadrado de la Meda del Modelo Mean Square Model dvdda por el Cuadrado de la Meda del Resduo Mean Square Resdual, en este caso el F-valor3.93. El p-valor asocado a este F-valor es muy bajo Estos valores se utlzan para responder a la pregunta: Las varables ndependentes predcen correctamente la varable dependente?. El p-valor se compara con un nvel de alpha suele usarse un alpha0.05. S el p-valor es nferor a alpha se concluye que Las varables ndependentes predcen correctamente la varable dependente. S el p-valor es superor a alpha, se concluye que las varables ndependentes no están sgnfcatvamente relaconadas con la varable dependente, es decr que las varables ndependentes no predcen correctamente la varable dependente. g: ElRcuadrado R-cuadrado es la proporcón de la varabldad de la varable dependente trabajo nfantl que puede predecrse con las varables ndependentes gdp, gastos en salud y comerco. El valor ndca que alrededor del 50% de la varabldad del trabajo nfantl es eplcada por las varables gdp, salud y comerco. 3
14 h: Es el R-cuadrado Ajustado Adjusted R-square. Al nclur nuevos parámetros en el modelo, cada uno de ellos eplcaría algo de la varabldad de la varable dependente debdo smplemente a la casualdad. Por lo tanto la nclusón de nuevos parámetros al modelo aumentará la habldad de los parámetros para predecr la varable dependente, pero una parte de esta mejora se deberá úncamente a la casualdad en esa muestra partcular. El R- cuadrado Ajustado ofrece un valor más confable para estmar el R-cuadrado de la poblacón. El valor del R- cuadrado es apromadamente 0.5, mentras que el R-cuadrado Ajustado El R-cuadrado Ajustado se calcula tal que: - -R-sqN- / N - k -. De esta fórmula se derva que s el número de observacones es pequeño y el número de parámetros es elevado, la dferenca entre el R-cuadrado Ajustado y el R-cuadrado es ampla ya que el rato N- / N - k - será muy nferor a. S en cambo, el número de observacones es grande comparado con el número de parámetros, el valor del R-cuadrado Ajustado será parecdo al valor del R-cuadrado Ajustado, ya que el rato N-/N-k- estará prómo a. : La raz de la Meda de la Suma de cuadrados es la desvacón típca del error, y es la raz cuadrada de la Meda de Cuadrados Resdual o Error j: Esta columna muestra la varable dependente trabajo nfantl y más abajo las varables ndependentes gdp, gastos en salud y comerco. La últma varable _cons, representa la constante del modelo, tambén es el valor de la recta de regresón en el punto en el que esta cruza el eje Y. k: Son los valores de la ecuacón para predecr la varable dependente a través de las varables ndependentes. Estas estmacones muestran la relacón entre la varable dependente y las ndependentes. Indcan el ncremento del trabajo nfantl que se produce por el ncremento en una undad de las varables ndependentes. Nota: S una de las varables ndependentes no es sgnfcatva, su coefcente no será sgnfcatvamente dferente de 0, lo que deberá tenerse en cuenta a la hora de nterpretar el coefcente. observar las columnas del p-valor y t-valor para contrastar t la sgnfcanca f de los coefcentes. gdp- El coefcente parámetro estmado es Por lo tanto, el aumento en una undad del producto nteror bruto provoca la dsmnucón del trabajo nfantl en undades. 4
15 l: Son los errores típcos asocados a los coefcentes. Los errores típcos se utlzan para determnar s los parámetros son o no sgnfcatvamente dferentes de 0. Dvdendo los parámetros estmados por el error típco se obtene el t-valor observar la columna con el p-valor y t-valor. Los errores típcos se utlzan tambén para construr los ntervalos de confanza del parámetro últmas dos columnas de la tabla. m: Estas columnas proporconan el t-valor y el p-valor blateral de dos colas para contrastar la hpótess nula el coefcente o parámetro es gual a 0. S se utlza un contraste blateral, entonces debe compararse cada p-valor con el valor selecconado de alpha. Los coefcentes con un p-valor nferor a alpha son sgnfcatvos. Por ejemplo, s se elge un alpha de 0.05, 05 los coefcentes con un valor nferor o gual a serán estadístcamente sgnfcatvos es decr que se rechaza la hpótess nula y por lo tanto los coefcentes son sgnfcatvamente dferentes de 0. S se utlza un contraste unlateral es decr que se predce que el parámetro se dstrbuye en una determnada dreccón, se debe dvdr el p-valor entre, y comparar este resultado con el valor elegdo de alpha. Con un contraste blateral y un valor de alpha de 0.05 se rechaza la hpótess nula para los cofcentes del gdp y de los gastos en salud. La constante es sgnfcatvamente dferente de 0 para un alpha de 0.05 aunque una constante sgnfcatva es de poca mportanca. n: Son los ntervalos de confanza de los coefcentes al 95%. Son muy útles puesto que muestran cuan alto o cuan bajo podría ser el valor poblaconal del parámetro. El ntervalo de confanza permte observar cuanto podría varar la estmacón del coefcente. 5
16 Análss de Regresón: Volacón de los supuestos Cuando se realza una regresón lneal se asume que relacón entre la varable respuesta y los parámetros es lneal. S este supuesto no se cumple, la regresón lneal ntentará ajustar a una recta datos que no se dstrbuyen de tal forma. Multcolneardad: Este problema se produce cuando este una elevada correlacón entre las varables eplcatvas. La presenca de multcolneardad en un modelo se debe a la presenca de coefcentes nestables. La Varacón del Factor de Epansón ayuda al nvestgador a detectar la multcolneardad: VIF / R S j está fuertemente correlaconada con el resto de varables, la VFE será alto. Esto aumentaría la varanza de bj lo que haría dfícl la obtencón de t-ratos sgnfcatvos. Generalmente se utlza un valor de 0 como frontera para detectar la multcolneardad. 6
17 Normaldad: El supuesto de normaldad asegura que los p-valores para los contrastes t y F son váldos. La normaldad de los resduos sólo se requere para valdar el contraste de hpótess. 0.0 Densty Resduals Kernel densty estmate Normal densty 7
18 Homocedastcdad: homogenedad de la varanza de los resduos. S el modelo se ajusta correctamente no debería estr nngún patrón en la dstrbucón de los resduos contra los valores predchos Resd 0 0 duals Ftted values 8
19 Modelos con varables categórcas Consdérese una varable dependente dscreta: 9. Partcpacón en la fuerza laboral:0,; Asstenca a escuela:0,. Varable categórca; rankngs, 3. Actvdades de los nños: sólo categorías, no rankngs. En cada uno de estos casos, se pueden construr modelos que relaconan los resultados con un conjunto de factores en la regresón. Cada uno de estos modelos puede ser analzado dentro del marco general de modelos probablístcos. Probevento j ocurra ProbYjF[efectos relevantes: parámetros]
20 Eleccón bnara: Modelos Logt y Probt Eleccón smple: Probabldad estmada de que un nño trabaje 0 Los modelos Probt y Logt son una etensón de los prncpos de los Modelos Lneales Generales ej: regresones, pero tratan de forma más adecuada la presenca de varables dependentes dcotómcas. Además, los modelos Probt y Logt son no-lneales y predcen probabldades entre 0 y, evtando resultados negatvos para las probabldades. Estos métodos dferen de las regresones estandar ya que utlzan la estmacón por máma verosmltud de una funcón relaconada con la varable dependente en lugar de la estmacón por mínmos cuadrados de la propa varable.
21 Modelo para eplcar una varable bnara 0/: partcpacón en la fuerza laboral Formalmente: Donde : Y s trabaja Y0 s no trabaja Pr ob Y F, Pr ob Y 0 F, representa el vector del conjunto de factores varables ndependentes que eplcan la decsón; refleja el mpacto de los cambos de sobre la probabldad de observar el resultado.
22 Dado, y un vector de regresores, se espera que: lm + Pr ob Y and lm Pr ob Y 0 Asumendo que el error del modelo se dstrbuye según una dstrbucón normal ε ~ N0,σ 0 + Prob Y F σ Donde F es la funcón de densdad acumulatva normal fdc. El modelo probt sería: Pr ob Y φ t dt Φ
23 Para el modelo logt se especfca: e Pr ob Y + e La estmacón ó de ambos modelos se basa en el método de máma verosmltud. lt El modelo con una probabldad de suceso F y observacones ndependentes lleva a la sguente funcón de verosmltud: Prob Y y, Y y,..., Y y [ F ] F L n y [ F ] [ F n ] n y y 0 y 3
24 Ejemplo: Modelo Logt Análss de Regresón Logt: nños de 7-4, Camboda SIMPOC, 999 Logt estmates Number of obs 7706 b LR ch c Prob > ch d Log lkelhood a Pseudo R e Employ f Coef. g Std. Err. h z P>z l [95% Conf. Interval] age age female heduc _cons
25 Análss de Regresón Logt: Interpretacón de los resultados a Log verosmlud- es el log de la verosmltud del modelo fnal b Es el número de observacones que se utlza en el análss. Este número puede ser nferor al número total de observacones de la base de datos s esten valores omtdos mssng values en las varables ncludas en el análss. S este algún valor omtdo en una de las varables de la regresón, se ecluye la totaldad de la observacón del análss. c Este es el rato de verosmltud, el contraste ch-cuadrado. Se defne como la dferenca en térmnos absolutos entre el prmer teracón ó 0 y el últmo valor del log de la verosmltud lt multplcado por. Entre paréntess se muestran los grados de lbertad. d Muestra la probabldad de obtener el estadístco ch-cuadrado s las varables ndependentes no tenen efecto sobre la varable dependente. Es el p-valor y puede compararse con 0.05 o 0.0 para determnar s el modelo es estadístcamente sgnfcatvo o no. 5
26 e Es el pseudo R-cuadrado del modelo logt, pero no es equvalente al R-cuadrado de la regresón de MCO. f El empleo es la varable dependente que toma el valor s el entrevstado declara que trabaja y 0 en caso contraro. Las varables enumeradas a contnuacón son las varables ndependentes. g Son los coefcentes, es decr los valores predchos de la varable dependente. Se epresan en undades log-odds. logp/-pb0+b*+b*.. p La estmacón muestra el aumento en el ncremento del log-odds predcho cuando empleo que sería predcho con el aumento en undad, mantenendo el resto de varables constante. h Los errores típcos se utlzan para contrastar s los parámetros dferen estadístcamente de 0. Dvdendo el parámetro entre el error típco, se obtene el z-valor. P>z son los p-valores relatvos. 6
27 Modelos Logt y Probt: Efectos margnales Consdérese el sguente modelo probablístco E [ y ] 0[ F ] + [ F ] F En general, se defne el efecto margnal como E[ y ] df f d En el Modelo Logt dλ e d + e Λ [ Λ ] 7 Es posble calcular los efectos margnales en la meda muestral de los datos, o en cada observacón, utlzando la meda muestral de los efectos margnales ndvduales.
28 Ejemplo: Efectos margnales después de una estmacón Logt Efectos margnales después de Logt y Premploy predct varable dy/d Std. Err. z P> z [ 95% C.I. ] age age female* heduc * dy/d s for dscrete change of dummy varable from 0 to 8
29 Modelo Probt Bvarante Actvdades de los nños: Empleo0,; Asstenca a la escuela0, La especfcacón general de un modelo de dos ecuacones es y y * * * + ε, y f y > 0, 0 otherwse + ε, y E[ ε] E[ ε ] 0 Var [ ε ] Var [ ε ] Cov[ ε ε ], ρ f y * > 0, 0 otherwse 9
30 Modelo Probt Bvarante La funcón de densdad acumulatva fdc bvarante es Pr ob <, < φ z, z, ρ the densty functon s / + ρ e φ z, z, ρ / π ρ / ρ dz dz ρ correlaton coeffcent between the two equatons and row vectors of eplanatory varables whch determne the probablty of the outcome 30. Coefcente de correlacón entre dos ecuacones. Vectores fla de las varables eplcatvas que determnan la probabldad del resultado
31 Para construr el modelo log de verosmltud lt sea: q y and q y. q f y and q f y 0, j, Sea z and w q z, j, j and j j ρ q q ρ * j j j Las probabldades bld d que entran en la funcón de verosmltud lt son Pr ob Y y, Y y Φ w, w, ρ * Thus log n L ln Φ w, w, ρ* 3
32 Bvarate probt regresson Number of obs 7706 Wald ch Log lkelhood Prob > ch Coef. Std. Err. z P>z [95% Conf. Interval] Employ age age female heduc _cons Attend age age female heduc _cons /athrho rho Lkelhood-rato test of rho0: ch Prob > ch Nños de 7-4, Camboda SIMPOC, 999 3
33 Modelo Probt Bvarante: Efectos margnales Un modelo probt bvarante permte evaluar dversos efectos margnales. Se empeza por los térmnos que se ntroducen en la funcón log de p p q g verosmltud, Pr y Y y Y ob, y y Y consderando el modelo, [ ],,,, Pr ρ y y ob Φ Se dervan la totaldad de los efectos margnales ρ ρ P P Φ Φ,,,,,,,, ρ ρ ρ ρ P P P P Φ Φ Φ Φ
34 34 Margnal effects after Bvarate Probt y Premploy,attend0 predct, p varable dy/d Std. Err. z P> z [ 95% C.I. ] age age female* heduc y Premploy0,attend predct, p varable dy/d Std. Err. z P> z [ 95% C.I. ] age age female* heduc y Premploy,attend predct, p varable dy/d Std. Err. z P> z [ 95% C.I. ] age age female* heduc y Premploy0,attend0 0 predct, p varable dy/d Std. Err. z P> z [ 95% C.I. ] age age female* heduc * dy/d s for dscrete change of dummy varable from 0 to
35 Modelo Logt Multnomal Consdérese que quere estudarse cómo dstrbuyen el tempo los nños entre dversas eleccones no ordenadas Actvdades: sólo trabajo,: sólo estudo, 3estudo y trabajo, 4 nnguna En general el modelo Logt Multnomal puede aplcarse a eleccones noordenadas y mutuamente ecluyentes. Sea un conjunto de regresores 35 Re-etquetando las eleccones desde 0, el modelo Logt Multnomal relatvo se defne como: e Pr ob Y j 3 K 0 j e k, j 0,,,3
36 Modelo Logt Multnomal La ecuacón estmada provee un conjunto de probabldades para las j+ eleccones de las nños con característcas j. Prob Y Prob Y e + j j j k e 0 j + e k k k for j,,..., j 36
37 Modelo Logt Multnomal El modelo permte calcular j ratos log-odds para una varable categórca con j categoras y baselne j0 P j ln P 0 j Normalzando cualquer otra probabldad, se obtene Pj ln Pk j k 37
38 Modelo Logt Multnomal Se defne para cada ndvduo dj s la alternatva j es elegda por el ndvduo, y dj0 en caso contraro para los j+ posbles resultados. Para cada, úncamente una de las actvdades dj puede ser gual a. La funcón log de verosmltud lt se defne tal que: ln L n J j 0 dj ln Prob Y j 38
39 Multnomal logstc regresson Number of obs 7706 LR ch Prob > ch Log lkelhood Pseudo R actvty Coef. Std. Err. z P>z [95% Conf. Interval] work only age age female heduc _cons work and study age age female heduc _cons nothng age age female heduc _cons Outcome actvtystudy only s the comparson group 39 Nños de 7-4, Camboda SIMPOC, 999
40 Margnal effects after Multnomal Logt Estmaton y Practvty predct, outcome varable dy/d Std. Err. z P> z [ 95% C.I. ] age age female* heduc y Practvty predct, outcome varable dy/d Std. Err. z P> z [ 95% C.I. ] age age female* heduc y Practvty3 predct, outcome varable dy/d Std. Err. z P> z [ 95% C.I. ] age age female* heduc y Practvty4 predct, outcome varable dy/d Std. Err. z P> z [ 95% C.I. ] age age female* heduc * dy/d s for dscrete change of dummy varable from 0 to
41 Modelo probt Ordenado Algunas varables de eleccón multnomal están nherentemente ordenadas. Para analzar este tpo de varables se usa un modelo logt o probt ordenado. El modelo se construye entorno a una regresón latente como en el modelo probt bnomal. De tal forma que: 4 y * + ε * y 0 f y 0 * y f 0 < y µ * y f µ < y µ.. * y j f µ y j- we observe :
42 Modelo probt ordenado Dado este mecansmo de observacones, la probabldad de cada categoría vene dada por Prob y 0 Φ Prob y Φ µ Φ Prob y.. Φ µ Prob y J Φ µ j Φ µ 4 Para que todas las probabldades sean postvas se debe cumplr 0 < µ < µ <... < µ j
43 Estmacones probt ordenado Number of obs 604 LR ch Prob > ch Log lkelhood Pseudo R 0.07 Most serous llness Coef. Std. Err. z P>z [95% Conf. Interval] Educ. Level Female Age Age workng hours Ln ependture Rural resdence _cut Ancllary parameters _cut _cut _cut _cut
MODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
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 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 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 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 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 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 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 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 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 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 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 detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesUSOS Y EXTENSIONES DEL MODELO LINEAL CON K VARIABLES
Unversdad de San Andrés Departamento de Economía Econometría Semestre de otoño USOS Y ETENSIONES DEL MODELO LINEAL CON K VARIABLES Marana Marchonn marana@depeco.econo.unlp.edu.ar Varables explcatvas bnaras
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
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 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 detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
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 detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesRegresión y correlación Tema 8. 1.1 Contraste sobre β 1.2 Regresión en formato ANOVA. 2. Correlación. Contraste sobre ρ xy
Unversdad Autónoma de Madrd 1 Regresón y correlacón Tema 8 1. Regresón lneal smple 1.1 Contraste sobre β 1. Regresón en formato ANOVA. Correlacón. Contraste sobre ρ xy Análss de Datos en Pscología II Tema
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesOferta de Trabajo Parte 2. Economía Laboral Julio J. Elías LIE - UCEMA
Oferta de Trabajo Parte 2 Economía Laboral Julo J. Elías LIE - UCEMA Curva de oferta de trabajo ndvdual Consumo Salaro por hora ($) G w=$20 F w=$25 25 Curva de Oferta de Trabajo Indvdual w=$14 20 14 w
Más detallesModelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
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 detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
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 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 detallesTeoría de Modelos y Simulación Enrique Eduardo Tarifa Facultad de Ingeniería - Universidad Nacional de Jujuy. Generación de Números Aleatorios
Teoría de Modelos y Smulacón Enrque Eduardo Tarfa Facultad de Ingenería - Unversdad Naconal de Jujuy Generacón de Números Aleatoros Introduccón Este capítulo trata sobre la generacón de números aleatoros.
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesMaestría en Administración. Medidas Descriptivas. Formulario e Interpretación. Dr. Francisco Javier Cruz Ariza
Maestría en Admnstracón Meddas Descrptvas Formularo e Interpretacón Dr. Francsco Javer Cruz Arza A contnuacón mostramos el foco de atencón de las dstntas meddas que abordaremos en el presente manual. El
Más detallesT. 9 El modelo de regresión lineal
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
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 detallesModelos de elección simple y múltiple. Regresión logit y probit. Modelos multilogit y multiprobit.
Modelos de eleccón smple y múltple. Regresón logt y probt. Modelos multlogt y multprobt. Sga J.Muro(14/4/2004) 2 Modelos de eleccón dscreta. Modelos de eleccón smple. Modelos de eleccón múltple. Fnal J.Muro(14/4/2004)
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesTEMA 10: ESTADÍSTICA
TEMA 10: La Estadístca es la parte de las matemátcas que se ocupa de recoger, organzar y analzar grandes cantdades de datos para estudar alguna característca de un colectvo. 1. VARIABLES S UIDIMESIOALES
Más detallesTema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1
Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detalles2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo
Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso
Más detallesCÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA
CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,
Más detallesVariable aleatoria: definiciones básicas
Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado
Más detallesPRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE 25 AÑOS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES
PRUEBAS DE ACCESO A LAS UNIVERSIDADES DE ANDALUCÍA PARA MAYORES DE AÑOS EXÁMENES PROPUESTOS Y RESUELTOS DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES CONVOCATORIAS DE --- F Jménez Gómez Este cuaderno
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesMedidas de Tendencia Central y de Variabilidad
Meddas de Tendenca Central y de Varabldad Contendos Meddas descrptvas de forma: curtoss y asmetría Meddas de tendenca central: meda, medana y moda Meddas de dspersón: rango, varanza y desvacón estándar.
Más detallesLECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA
LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA. LA MEDIANA: Es una medda de tendenca central que dvde al total de n observacones debdamente ordenadas
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más detallesEJERCICIOS DE ESTADÍSTICA BIDIMENSIONAL.
EJERCICIOS DE ESTADÍSTICA BIDIMENSIONAL. 1. Una cofradía de pescadores regstra la cantdad de sardnas que llegan al puerto (X), en klogramos, el preco de la subasta en la lonja (Y), en euros por klo, han
Más detallesRegresión Cuantílica o Quantile Regression
Regresón Cuantílca o Quantle Regresson A. Cameron and P. rved, (005), Macroeconometrcs, Methods and Applcatons, Cambrdge Unversty Press. R. Koenker, (005), Quantle Regresson, Econometrc Socety Monographs
Más detallesVida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad
Vda Utl, característcas de la Fabldad e Invabldad y dstrbucones teórcas en el terreno de la fabldad Realzado por: Mgter. Leandro D. Torres Vda Utl Este índce se refere a una vda útl meda nomnal y se puede
Más detallesLECTURA N 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) TEMA 14: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA N 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) TEMA 4: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION. DEFINICION Las meddas estadístcas son meddas de resumen
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA 1. S A es un suceso de probabldad 0.3, la probabldad de su suceso contraro es: a) 0. b) 1.0 c) 0.7 (Convocatora juno 006. Eamen tpo H) S A es un suceso, la probabldad de su suceso
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 detallesXLVII Reunión Anual. Noviembre de 2012
ANALES ASOCIACION ARGENTINA DE ECONOMIA POLITICA XLVII Reunón Anual Novembre de 2012 ISSN 1852-0022 ISBN 978-987-28590-0-8 EXPLICACIÓN DE LAS DECISIONES DE COMPRA DE ALCOHOL Y TABACO DE LOS HOGARES SANTAFESINOS
Más detallesTERMODINÁMICA AVANZADA
TERMODINÁMICA AVANZADA Undad III: Termodnámca del Equlbro Ecuacones para el coefcente de actvdad Funcones de eceso para mezclas multcomponentes 9/7/0 Rafael Gamero Funcones de eceso en mezclas bnaras Epansón
Más detallesComplementos al ABC: efectos dinámicos
Complementos al ABC: efectos dnámcos CAF - CEPAL P. Rozas & J. Rvera Buenos Ares, juno de 2008 Varables y fuentes de nformacón Encuesta de Hogares de dversos años de los países en estudo.- Bolva: Encuesta
Más detallesLa adopción y uso de las TICs en las Microempresas Chilenas
Subdreccón Técnca Depto. Investgacón y Desarrollo Estadístco Subdreccón de Operacones Depto. Comerco y Servcos INFORME METODOLÓGICO DISEÑO MUESTRAL La adopcón y uso de las TICs en las Mcroempresas Clenas
Más detallesPronósticos. Humberto R. Álvarez A., Ph. D.
Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las
Más detallesLECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION 1. DEFINICION: Las meddas estadístcas
Más detallesCENTRO DE ESTUDIOS ESTADÍSTICOS DE JUSTICIA CONSTITUCIONAL
CENTRO DE ESTUDIOS ESTADÍSTICOS DE JUSTICIA CONSTITUCIONAL Ajuste de modelo de regresón logístca para la medcón de accón de tutela como factor de congestón de los Trbunales y Juzgados de las Jursdccones
Más detallesFacultad de Ingeniería División de Ciencias Básicas Coordinación de Ciencias Aplicadas Departamento de Probabilidad y Estadística
Facultad de Ingenería Dvsón de Cencas Báscas Coordnacón de Cencas Aplcadas Departamento de Probabldad y Estadístca Probabldad y Estadístca Prmer Eamen Fnal Tpo A Semestre: 00- Duracón máma:. h. Consderar
Más detallesDiseño y Análisis de Experimentos en el SPSS 1
Dseño y Análss de Expermentos en el SPSS EJEMPLO. Los sguentes datos muestran las meddas de hemoglobna (gramos por 00 ml) en la sangre de 40 ejemplares de una espece de truchas marrones. Las truchas se
Más detallesContraste de Hipótesis
. CONTRSTE DE HIPÓTESIS.1. Introduccón.. Contraste de una hpótess estadístca.3. Test unlateral y blateral.4. Test relaconados con una sola meda (varanza conocda).5. Relacón con la estmacón del ntervalo
Más detallesDescripción de una variable
Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad
Más detalles3. Algunos modelos estadísticos
3. Algunos modelos estadístcos Con las herramentas computaconales a nuestra dsposcón, en las sguentes seccones se revsarán algunos de los modelos estadístcos más usados en la práctca y la forma de hacer
Más detallesDETERMINANTES Y DIFERENCIAS DE SALUD ENTRE LAS REGIONES DE COSTA RICA. UN ANÁLISIS DESDE LA ENCUESTA NACIONAL DE SALUD
DETERMINANTES Y DIFERENCIAS DE SALUD ENTRE LAS REGIONES DE COSTA RICA. UN ANÁLISIS DESDE LA ENCUESTA NACIONAL DE SALUD 2006. Juan Rafael Vargas, Yanra Xrnachs-Salazar, Melvn Morera, Amada Aparco y Karla
Más detallesMETODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS
SUBDIRECCIÓN TÉCNICA DEPARTAMENTO DE INVESTIGACIÓN Y DESARROLLO ÁREA DE ANÁLISIS ESTADÍSTICAS ECONÓMICAS METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS Santago, Enero de 2008. Departamento
Más detallesIntroducción a los Modelos de Pronósticos
Introduccón a los Modelos de Pronóstcos Dra. Fernanda Vllarreal Unversdad Naconal del Sur- Departamento de Matemátca Septembre 2016 - fvllarreal@uns.edu.ar Introduccón Planeacón del futuro, un aspecto
Más detallesENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 0 INSTITUTO NACIONAL DE ESTADÍSTICAS 03 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR CARRETERA.
Más detallesIng. Graciela Fasciolo
VALORACIÓN CONTINGENTE El Análss de Datos en el Enfoque de la Respuesta Dcotómca Ing. Gracela Fascolo Mendoza, setembre 2002 1. INTRODUCCIÓN La técnca de la respuestas dcotómca o de referéndum es uno de
Más detallesESTADÍSTICA (GRUPO 12)
ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.
Más detallesUN ANÁLISIS DE LAS DECISIONES DE FORMACIÓN DE HOGAR, TENENCIA Y DEMANDA DE SERVICIOS DE VIVIENDA DE LOS JÓVENES ESPAÑOLES *
UN ANÁLISIS DE LAS DECISIONES DE FORMACIÓN DE HOGAR, TENENCIA Y DEMANDA DE SERVICIOS DE VIVIENDA DE LOS JÓVENES ESPAÑOLES * Mª Consuelo Colom, Rosaro Martínez y Mª Cruz Molés WP-EC 2000-02 Correspondenca:
Más detallesPruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
Más detallesIMPACTO DEL MICROCRÉDITO SOBRE LA POBREZA DEL INGRESO: UN ESTUDIO EN MERCADOS DE CRÉDITO URBANOS EN MÉXICO. Miguel Niño Zarazúa *
IMPACTO DEL MICROCRÉDITO SOBRE LA POBREZA DEL INGRESO: UN ESTUDIO EN MERCADOS DE CRÉDITO URBANOS EN MÉXICO Mguel Nño Zarazúa Resumen Este estudo presenta una estmacón del mpacto del mcrocrédto sobre la
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE..ESTADÍSTICA La fecunddad y su relacón con varables socoeconómcas, demográfcas y educatvas aplcando el Modelo de Regresón
Más detallesMedia es la suma de todas las observaciones dividida por el tamaño de la muestra.
Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,
Más detalles4 Contraste de hipótesis en el modelo de regresión múltiple
4 Contraste de hpótess en el modelo de regresón múltple Ezequel Urel Unversdad de Valenca Versón: 9-13 4.1 El contraste de hpótess: una panorámca 1 4.1.1 Formulacón de la hpótess nula y de la hpótess alternatva
Más detallesTRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1).
TRABAJO 1: Varables Estadístcas Undmensonales (Tema 1). Técncas Cuanttatvas I. Curso 2016/2017. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: En los enuncados de los ejerccos que sguen aparecen
Más detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
Más detallesDESCOMPOSICIÓN EN REGRESIÓN LINEAL: UN NUEVO MÉTODO PARA ANÁLISIS DE DETERMINANTES Y TOMA DE DECISIONES
RESUMEN INVESTIGACIÓN & DESARROLLO, No. 7: 5 4 (007) ISSN 1814-6333 DESCOMPOSICIÓN EN REGRESIÓN LINEAL: UN NUEVO MÉTODO PARA ANÁLISIS DE DETERMINANTES Y TOMA DE DECISIONES Ernesto Cupé C. Centro de Investgacones
Más detallesTEMA 4 Variables aleatorias discretas Esperanza y varianza
Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón
Más detallesMateriales Industriales, Ingeniería Técnica Industrial Mecánica Profesor: Dr. María Jesús Ariza, Departamento de Física Aplicada, CITE II-A, 2.
Materales Industrales, Ingenería Técnca Industral Mecánca Profesor: Dr. María Jesús Arza, Departamento de Físca Aplcada, CITE II-A,. Teoría de meddas. Meddas magntudes: La teoría de meddas Las varables
Más detallesCAPÍTULO 3 DIAGNÓSTICOS DE REGRESIÓN
CAPÍTULO 3 DIAGNÓSTICOS DE REGRESIÓN Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson 1 3.1 Outlers, puntos de leverage
Más detallesCAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.
Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo
Más detallesAnálisis de Varianza no paramétricos
Capítulo VII Análss de Varanza no paramétrcos Anova de Kruskal-Walls Anova de Fredman Anova de Q de Cochran Introduccón Las técncas de análss de varanza no paramétrcos son útles cuando los supuestos de:
Más detallesOrganización y resumen de datos cuantitativos
Organzacón y resumen de datos cuanttatvos Contendos Organzacón de datos cuanttatvos: dagrama de tallos y hojas, tablas de frecuencas. Hstogramas. Polígonos. Ojvas ORGANIZACIÓN Y RESUMEN DE DATOS CUANTITATIVOS
Más detallesTema 1: Análisis de datos unidimensionales
Tema : Análss de datos undmensonales. Varables estadístcas undmensonales. Representacones gráfcas.. Característcas de las dstrbucones de frecuencas undmensonales.. Varables estadístcas undmensonales. Representacones
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 detalles( ) = ( ) ( ) E X x p. E X Y = E X E Y XY independientes. E X Y E X E Y Cauchy Schwarzt ( ) 2. Pr X a E X a Markov
1 2 Varables aleatoras 2.1 Dscretas 2.1.1 Genércas Esperanza de una v.a. o Valor esperado Propedades de la Esperanza k = ( x ) E X x p EmX+ b = mex + b EK Varanza de una v.a. = K ( + ) = + E X Y E X E
Más detallesPORTAFOLIO DE TRES ACTIVOS FINANCIEROS
PORTAFOLIO DE TRES ACTIVOS FINANCIEROS Contendo:. Introduccón.. Fondos Mutuos. Rendmento y Resgo.. Parámetros estadístcos de un Portafolo de Tres Actvos. a) El Retorno de un Portafolo. b) El Resgo de un
Más detallesCAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS
CAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS En los capítulos anterores se han analzado varos modelos usados en la evaluacón de stocks, defnéndose los respectvos parámetros. En las correspondentes fchas de ejerccos
Más detallesDesigualdad de oportunidades y el rol del sistema educativo en los logros de los jóvenes uruguayos
Desgualdad de oportundades y el rol del sstema educatvo en los logros de los jóvenes uruguayos Cecla Llambí Marcelo Perera Pablo Messna Febrero de 2009 Esta nvestgacón fue fnancada por el Fondo Carlos
Más detallesXII. Uso de la Estimación de la Distribución de Probabilidad para Muestras Pequeñas y de la Simulación en la Inferencia de Carteras de Seguros.
Uso de la Estmacón de la Dstrbucón de Probabldad para Muestras Pequeñas y de la Smulacón en la Inferenca de Carteras de Seguros. Trabajo presentado para el XII Premo de Investgacón sobre Seguros y Fanzas
Más detallesCapítulo 12 CONTRASTES NO PARAMÉTRICOS
Capítulo 1 CONTRASTES NO PARAMÉTRICOS 1.1 Introduccón 1. Contrastes de ajuste a una dstrbucón teórca 1..1 Contrastes basados en la dstrbucón de frecuencas muestral 1..1.1 El contraste ch-cuadrado, χ. 1..1.
Más detalles