RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS. REGRESIÓN LINEAL SIMPLE. CORRELACIÓN.
|
|
- María Antonia Arroyo Maldonado
- hace 7 años
- Vistas:
Transcripción
1 FCEyN - Estadístca para Químca Marta García Be 8 RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS. REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. Los métodos de regresó se usa para estudar la relacó etre dos varables umércas. Puede teresar por ejemplo estudar la relacó etre estatura y perímetro cefálco de ños varoes recé acdos, o la relacó etre la estatura del hjo y la estatura del padre (éste es u famoso ejemplo hstórco de Galto 880 que dó orge a la deomacó "modelo de regresó"). E químca aalítca se usa el modelo de regresó para calbrar u método de medcó. Ejemplo : Para calbrar u fluorímetro se ha examado 7 solucoes estádar de fluoresceía (de las que se cooce la cocetracó medda co mucha precsó) e el fluorímetro. Los sguetes datos so las "verdaderas" ("cas verdaderas") cocetracoes y la tesdad de fluoresceca observada e el fluorímetro: Cocetracó, pg/ml: Itesdad de fluoresceca:
2 FCEyN - Estadístca para Químca Marta García Be 9 E u problema de calbracó, queremos, a partr de medcoes hechas e muestras stadard, estudar la relacó etre las medcoes y el verdadero valor. Esta relacó permtrá e el futuro, medr ua muestra descoocda y coocer aproxmadamete su verdadero valor. Lo prmero que se hace para estudar la relacó etre dos varables umércas es u dagrama de dspersó (scatter plot), como el que se preseta a cotuacó.
3 FCEyN - Estadístca para Químca Marta García Be 0 Para ayudar a vsualzar la relacó, hemos agregado a los putos del gráfco de dspersó ua recta que se llama "recta de regresó" o "recta de cuadrados mímos". Para ello, basta marcar (e el Statstx) dode dce "Dsplay Regresso Le". Recta de cuadrados mímos. La recta represetada e el gráfco ateror es la recta de cuadrados mímos. La recta de cuadrados mímos es la que está "más cerca" de los putos, e el setdo sguete: hace míma la suma de los cuadrados de las dstacas de cada puto a la recta, mdedo las dstacas vertcalmete. O sea mmza: Σ ( y - (a b x ) ) (3)
4 FCEyN - Estadístca para Químca Marta García Be UNWEIGHTED LEAST SQUARES LINEAR REGRESSION OF FLUORESCE PREDICTOR VARIABLES COEFFICIENT STD ERROR STUDENT'S T P CONSTANT CONCENTRA R-SQUARED RESID. MEAN SQUARE (MSE) ADJUSTED R-SQUARED STANDARD DEVIATION SOURCE DF SS MS F P REGRESSION RESIDUAL TOTAL CASES INCLUDED 7 MISSING CASES 0 Observado los "coefcetes" de la salda vemos que la recta de cuadrados mímos tee ordeada al orge.5786 y pedete S los putos (como e este ejemplo) está cerca de la recta, podemos decr que
5 FCEyN - Estadístca para Químca Marta García Be o y X Fluoresceca Cocetracó Por ejemplo s la verdadera cocetracó de fluoresceía de ua muestra es 8, la ordeada de la recta es * Obvamete esto o quere decr que para la muestras que tega cocetracó8 la tesdad de la fluoresceca es 6.96 (ver gráfco, los putos está muy cerca de la recta, pero o está sobre la recta).
6 FCEyN - Estadístca para Químca Marta García Be 3 Modelo de regresó leal Para hace ferecas (aplcar test de hpótess y calcular tervalos de cofaza) se ecesta, como sempre, supoer u modelo, que se llama "modelo de regresó leal smple". La palabra "smple" es porque cosderamos ua sola varable depedete o predctora (X). Se geeralza e forma atural al caso e que hay varas varables depedetes y e ese caso se llama "modelo de regresó leal múltple". Las suposcoes del modelo de regresó leal smple (que es el que estudaremos e este curso) so las sguetes. MODELO: Se observa pares de valores (x, Y ) para,..., que cumple: dode e,e,...,e so varables aleatoras tales que Y α β x e (para,...,) (3) ) E(e ) 0 para todo ) Var(e ) σ (o sea es sempre la msma para todas las observacoes) 3) e, e,..., e so v. a. depedetes Para obteer alguos resultados alcaza las suposcoes ) a 3), pero para otros es ecesaro agregar: 4) e Normal
7 FCEyN - Estadístca para Químca Marta García Be 4 Obvamete las suposcoes ) a 4) se puede escrbr e forma más breve: ) a 4) e v. a...d. N(0, σ ) Cometaro: Hay dos modelos u poco dferetes: el modelo co x 's fjas y el modelo co x 's aleatoras. E el prmero los valores x 's o so varables aleatoras so que so úmeros fjados por el expermetador. E el segudo tato x como Y so observacoes de varables aleatoras. Los problemas de calbracó so ejemplo co x 's fjas. El problema de estudar la relacó etre estatura y perímetro cefálco de recé acdos es u ejemplo co x 's aleatoras. Justfcaremos los resultados (estmadores, IC, tests) sólo para el modelo co x 's fjas, que es más smple, pero cas todos los resultados (IC y tests) so los msmos para ambos modelos. Ua forma equvalete de escrbr el modelo de regresó leal smple (e el caso e que las x 's so úmeros fjos) es la sguete: *) E(Y ) α β x (para,...,) *) Var(Y ) σ (para,...,) 3*) Y, Y,..., Y so vs as depedetes 4*) Y Normal
8 FCEyN - Estadístca para Químca Marta García Be 5 Nuevamete, las suposcoes *) a 4*) se puede escrbr e forma más breve: *) a 4*) Y v. a...d. N(α β x,σ ) Cometaro: e el modelo co x 's aleatoras, o hay que hacer gua suposcó sobre la dstrbucó de las x 's. Puede ser ormal o o. Como de costumbre, o se espera que las suposcoes del modelo se cumpla exactamete e u problema real, pero al meos que sea aproxmadamete váldas. S está lejos de cumplrse, las coclusoes puede ser erróeas. Por ejemplo, la preseca de alguos valores de Y atípcos (alejados de la recta, lo que mplca que o se cumple la suposcó 4)) puede valdar las coclusoes. E efecto, la recta de cuadrados mímos, al gual que la meda, es sesble a uos pocos valores atípcos. Les preseto a cotuacó gráfcos de dspersó para cco ejemplos artfcales, geerados co u programa (geerado úmeros pseudoaleatoros). Alguos fuero geerados de modo que cumpla todas las suposcoes del modelo de regresó leal, otros o. Detecta usted e cuáles de estos ejemplos o se cumple algua de las suposcoes y cuál es la suposcó que o se cumple?
9 FCEyN - Estadístca para Químca Marta García Be 6 y y x Ejemplo artfcal x Ejemplo artfcal y y x Ejemplo artfcal x Ejemplo artfcal 4
10 FCEyN - Estadístca para Químca Marta García Be 7 y x Ejemplo artfcal 5
11 FCEyN - Estadístca para Químca Marta García Be 8 Estmadores de α y β por el método de cuadrados mímos Llamemos αˆ y βˆ a los valores de a y b que mmza (3) que se llama "estmadores de cuadrados mímmos" de α y β. Se puede demostrar (dervado (3) e gualado a cero, hacerlo) que: x x xy Y x x x Y Y x x ) ( ) ( ) ( ) )( ( ˆβ (33) x Y β α ˆ ˆ (34) Se puede demostrar que estos estmadores so óptmos s se cumple las suposcoes ) a 4).
12 FCEyN - Estadístca para Químca Marta García Be 9 Resduos: Se llama resduos las dferecas etre los valores observados y las respectvas ordeadas de la recta: ) ˆ ˆ ( ˆ x Y e β α Estmador de σ : σ es Var(e ). Los e so v. a. "o observables". Parece atural que el estmador de σ se base e los resduos ê. Se puede demostrar que el estmador )) ˆ ˆ ( ( ˆ x Y e s β α (35) es u estmador sesgado de σ
13 FCEyN - Estadístca para Químca Marta García Be 30 Varaza de αˆ y βˆ. Se puede demostrar fáclmete que: ( ˆ) β β E (36) y que Var( ˆ) β σ ( x x) (37) cov ( Y, ˆ β ) 0 (38) Usado (36) a (38), se puede demostrar que E( ˆ) α α ; Var( ˆ) α σ x ( x x) Los estmadores de Var(αˆ ) y Var( βˆ ) se obtee reemplazado σ por s.
14 FCEyN - Estadístca para Químca Marta García Be 3 Itervalo de cofaza para β Llamemos El tervalo ES( ˆ) β Var ˆ ( ˆ) β s ( x x) (39) ˆ β ± t ; α / ES( ˆ) β es u IC para β co vel -α. S la suposcó 4) (de ormaldad) o se cumple, este tervalo, bajo codcoes muy geerales, tee vel astótco -α.
15 FCEyN - Estadístca para Químca Marta García Be 3 Ua medda de cuá buea es X para predecr Y: el coefcete de correlacó leal "r" de Pearso. Este coefcete puede terpretarse como ua medda de cuá cerca está los putos de ua recta. La defcó de r es la sguete: r ( Y Y ) ( Y ( ˆ α ˆ β x ( Y Y ) Puede observarse que r compara la dspersó de los valores de y co respecto a la recta de cuadrados mímos co la dspersó de los valores de y co respecto a su meda. r es la proporcó de la "varacó total" etre los valores de y que se puede explcar predcédolos por u recta e fucó de los valores de x. )) (40) Sempre es 0 r
16 FCEyN - Estadístca para Químca Marta García Be 33 Sgfcado del valor de r r sgfca que los putos está exactamete sobre ua recta (*) r cerca de los putos está cerca de ua recta r cerca de 0 sgfca que la recta de cuadrados mímos es práctcamete horzotal y por lo tato o hay relacó crecete decrecete. (*) E las aplcacoes práctcas es "cas mposble" que r valga exactamete gual a. El coefcete de correlacó r es la raz de r y se le poe sgo egatvo s la pedete de la recta de cuadrados mímos es egatva (recta decrecete). Otra expresó equvalete para calcular r es: r ( x x)( Y Y ) ( x x) ( Y Y ) Sempre es - r y r cerca de o - dcará que los putos está cerca de ua recta crecete o decrecete respectvamete. (4)
17 FCEyN - Estadístca para Químca Marta García Be 34 E el ejemplo de la fluoresceca, se ve e la salda del Statstx que R-SQUARED y, como la pedete es postva, es r raz(0.9978) Ambos muy cerca de, so ua medda de lo que vemos e el gráfco: los putos está muy cerca de ua recta E el caso e que las x s so aleatoras, el coefcete r es u estmador cosstete del coefcete de correlacó ρ(x,y).
18 FCEyN - Estadístca para Químca Marta García Be 35 Estmacó del valor esperado de Y para u valor fjado de x y su tervalo de cofaza. S fjamos u valor de la varable depedete, dgamos e x 0, cuál es el valor esperado de Y para ese valor de la varable depedete? Por el modelo supuesto, por la suposcó ) o *) el valor esperado de Y es E(Y) α β x 0 Su estmador es α ˆ βˆ x 0 Usado (37) y (38) se puede demostrar que la varaza de este estmador es: Var( α ˆ βˆ x 0 ) σ (x 0 (x x) x) (4)
19 FCEyN - Estadístca para Químca Marta García Be 36 y que el tervalo de extremos α β α β α α 0 / ; 0 0 / ; 0 x) (x x) (x s t x ˆ ˆ ; x) (x x) (x s t x ˆ ˆ (43) es u IC co vel -α para el valor esperado de Y, para x x 0.
20 FCEyN - Estadístca para Químca Marta García Be 37 Predccó de u uevo valor de Y coocdo el valor de x e tervalo de predccó. Los estmadores de los parámetros del modelo se basaro e ua muestra de observacoes (x, Y) (,...,). Supogamos ahora que hacemos ua ueva observacó, pero sólo coocemos su valor de x (llamémoslo x ), o coocemos su valor de Y, que llamaremos Y. Queremos e esta seccó dar u valor aproxmado para Y (se dce que queremos predecr Y ) y u tervalo que cotee a Y co ua probabldad 0.95 (o -α) (que se llama tervalo de predccó para Y ). Supodremos que el uevo dvduo observado cumple el msmo modelo que los aterores. Etoces: Y α β x e dode e es ua v.a. co esperaza cero y es depedete de e, e,..., e. Es tutvamete razoable que el mejor predctor de Y 0 sea: ˆ Ŷ α β x ˆ (44)
21 FCEyN - Estadístca para Químca Marta García Be 38 El error de predccó es: ) ˆ ˆ ( ) ( ˆ x e x Y Y β α β α Se puede demostrar que este error de predccó tee esperaza cero y varaza σ α β x) (x x) (x ) x ˆ (ˆ Var ) (e Var ) Ŷ (Y Var y que el tervalo de extremos α α / ; / ; x) (x x) (x s t Ŷ ; x) (x x) (x s t Ŷ (45) es u "tervalo de predccó" co vel -α para ua ueva observacó Y 0.
22 FCEyN - Estadístca para Químca Marta García Be 39 Aplcacó a u ejemplo: Volvamos al ejemplo de la fluoresceca. De la salda del programa mostrada aterormete obteemos: ˆ α.5786 ; ˆ β ; s ES ( ˆ) β Vˆ ar( ˆ) β No aparece drectamete e la salda el IC para β, pero es fácl obteerlo usado (39). S queremos u IC al 95%, ecestamos el valor de t co 7-5 gl, co p0.05 e las dos colas. E Statstx o e tablas obteemos: t 5; y, reemplazado e (39): o, redodeado ±.57* ± 0.05 IC para β co vel 95%: [.83;.04]
23 FCEyN - Estadístca para Químca Marta García Be 40 El IC al 95% para α se obtee e forma aáloga:.5786 ±.57* redodeado:.5 ± 0.76 Predccó: Vamos a calcular ahora el predctor de la medcó de fluoresceca y u tervalo de predccó para ua ueva muestra stadard cuya cocetracó de fluoresceía.es 8 pc/ml. El predctor es fácl de calcular: Ŷ αβ ˆ ˆ x * Para obteer el tervalo de predccó para Y hay que usar la expresó (45). Pero Statstx calcula automátcamete dcho tervalo. Para ello, medatamete después de obteer la salda de la regresó, marcamos "Results", "Predcto", poemos e la vetaa "Predctor Values" el úmero 8 y obteemos:
24 FCEyN - Estadístca para Químca Marta García Be 4 PREDICTED/FITTED VALUES OF FLUORESCE LOWER PREDICTED BOUND LOWER FITTED BOUND 6.49 PREDICTED VALUE 6.96 FITTED VALUE 6.96 UPPER PREDICTED BOUND 8.69 UPPER FITTED BOUND 7.43 SE (PREDICTED VALUE) SE (FITTED VALUE) 0.89 UNUSUALNESS (LEVERAGE) PERCENT COVERAGE 95.0 CORRESPONDING T.57 PREDICTOR VALUES: CONCENTRA Vemos que el predctor es 6.96 y el tervalo de predccó al 95% es [5.753 ; 8.69]. També se muestra e esta salda el IC al 95% para el valor esperado de la medcó de fluoresceca para muestras co cocetracó de fluoresceía8. Observar este tervalo y ver que tee meor logtud. Es tutvamete razoable que el IC para el valor esperado tega meor logtud?
25 FCEyN - Estadístca para Químca Marta García Be 4 Co Statstx també podemos represetar gráfcamete los tervalos de predcco y los IC para el valor esperado de Y, para dferetes valores de x. Para ello, sempre a partr de la salda de la regresó leal, vamos a "Results", "Plots", "Smple Regresso Plot" y obteemos: Cometaro: auque o se ota mucho e este gráfco el IC para el valor esperado de Y el tervalo de predccó tee logtud costate, para que valores de x 0 o x es meor la logtud?
26 FCEyN - Estadístca para Químca Marta García Be 43 Predccó versa: predccó de de u uevo valor de x coocdo el valor de y cálculo de u tervalo de cofaza. Los estmadores de los parámetros del modelo se basaro e ua muestra de observacoes (x, Y ) (,...,). Supogamos ahora que hacemos ua ueva observacó, pero sólo coocemos su valor de Y, o coocemos su valor x. Queremos e esta seccó calcular u estmador de x y u tervalo que cotee a x co ua probabldad -α. Hemos dcho que hay dos modelos de regresó leal smple: uo co x's fjas y otro co x's aleatoras. Pero e ambos modelos Y es aleatora. E el caso e el que la varable x també es aleatora, s queremos predecr X coocdo Y ua solucó es cambar el modelo: tercambar e (3) el papel de las varables Y y X y luego aplcar "predccó" (o sea (44) y (45)). Pero s la varable x es fja (fjada por el expermetador), como suele ocurrr e los expermetos de calbracó, o se la puede cosderar como varable "Y" e (3) ya que o se cumplría las suposcoes del modelo de regresó.
27 FCEyN - Estadístca para Químca Marta García Be 44 Cosderemos etoces el caso x fja. Supodremos que el uevo dvduo observado cumple el msmo modelo que los aterores, luego Y α β x e dode e es ua v.a. co esperaza cero y es depedete de e, e,..., e. Despejado x x Y α e β Como o teemos formacó gua sobre e y, además, de α y β sólo coocemos los estmadores, es tutvamete razoable estmar x co: xˆ Y βˆ αˆ (46)
28 FCEyN - Estadístca para Químca Marta García Be 45 Como xˆ es u cocete de varables aleatoras, o es fácl calcular su varaza, pero se puede ecotrar ua expresó aproxmada. El estmador de esta aproxmacó de la varaza es Vˆ ar ( xˆ ) s βˆ βˆ (Y Y ) ( x x ) (47) Llamado ES (xˆ) Vˆ ar(xˆ) (48) el tervalo xˆ ± t ; α / ES(xˆ ) (49) es u tervalo de cofaza co vel aproxmado -α para x.
29 FCEyN - Estadístca para Químca Marta García Be 46 Supogamos ahora que, para obteer mayor precsó, u químco hace "m" medcoes para la msma muestra. La muestra tee u valor x descoocdo y llamamos Ym al promedo de las m observacoes Y's hechas e esa muestra. Etoces (46) y (47) se modfca así: xˆ Y m αˆ βˆ (46*) Vˆ ar (xˆ ) s βˆ m βˆ (Y m (x Y ) x) (47*) Quedado (48) y (49) s cambos.
30 FCEyN - Estadístca para Químca Marta García Be 47 Ejemplo: Lametablemete Statstx o calcula la predccó versa, que es el objetvo prcpal de u expermeto de calbracó. Podemos hacer las cuetas "a mao". Cotuamos co el ejemplo de la fluoresceca. Ahora medmos ua muestra de la que o coocemos la cocetracó de fluoresceía. La medcó de fluoresceca es 3.5. Cuál es la verdadera cocetracó de fluoresceía de la muestra? Llamemos x a esta verdadera cocetracó descoocda. Su estmador se calcula co (46): xˆ Y αˆ βˆ El estmador de la cocetracó es 6. pg/ml. Ua medda de la precsó de esta estmacó la da su Error Stadar y també el IC al 95%. Necestamos prmero calcular (47). Vemos que todo lo que se ecesta para calcular (47) puede ecotrarse e la salda de la regresó leal, salvo Y y ( x x). E este expermeto e que hay 7 pares de datos, se podría hacer las cuetas co ua calculadora. Otra forma puede ser calcular e Summary Statstcs, Descrptve Statstcs:
31 FCEyN - Estadístca para Químca Marta García Be 48 DESCRIPTIVE STATISTICS VARIABLE N MEAN SD VARIANCE CONCENTRA FLUORESCE Luego Y 3.0 ( x) ( x o lo teemos drectamete, pero teemos la varaza que es gual a x x ) /( ). Por lo tato multplcado la varaza por (-) obteemos x 8.667*6.0 ( x) Reemplazamos ahora e (47): Vˆ ar (xˆ ) ( ) *
32 FCEyN - Estadístca para Químca Marta García Be 49 Luego ES (xˆ ) Aplcado (49) obteemos que 6. ±.57* ± 0.6 so los límtes de cofaza al 95% para la cocetracó de fluoresceía e la ueva muestra observada. Como se debería tomar las muestras stadard e el expermeto de calbracó para dsmur la logtud de los tervalos de cofaza para x?
33 FCEyN - Estadístca para Químca Marta García Be 50 Dagóstco del modelo de regresó. Ejemplo : E la clase de estadístca descrptva comezamos a aalzar los datos de u expermeto de calbracó. Djmos e esa clase: Cuado el plutoo está presete e pequeñas catdades mezclado co otros materales es dfícl detectarlo. Ua forma de detectarlo es medr las partículas alfa que emte. E ua vestgacó para estudar la relacó etre la catdad de plutoo y la emsó de partículas alfa, se mdero varas veces cuatro materales stadards para los que se sabe que la actvdad de plutoo (0, 5, 0 y 0 pcocures por gramo (pc/g). Los resultados de estas medcoes está e el archvo plutoo.xls.
34 FCEyN - Estadístca para Químca Marta García Be 5 Observemos el dagrama de putos ("Statstcs","Summary Statstcs", "Scatter Plot"): Ya al ver este dagrama se observa que los datos o sgue el modelo de regresó leal: hay u claro dato atípco y o parece cumplrse la suposcó de varaza costate. Otra forma que a veces ayuda a detectar fallas e el modelo, es estmar los parámetros del modelo y luego hacer gráfcos para el dagóstco del modelo. Para ello vamos a "Statstcs", "Lear Models", "Lear Regresso" y obteemos:
35 FCEyN - Estadístca para Químca Marta García Be 5 UNWEIGHTED LEAST SQUARES LINEAR REGRESSION OF PARTALFA PREDICTOR VARIABLES COEFFICIENT STD ERROR STUDENT'S T P CONSTANT PLUTONIO E R-SQUARED RESID. MEAN SQUARE (MSE) 5.63E-04 ADJUSTED R-SQUARED STANDARD DEVIATION SOURCE DF SS MS F P REGRESSION RESIDUAL E-04 TOTAL CASES INCLUDED 4 MISSING CASES 0
36 FCEyN - Estadístca para Químca Marta García Be 53 Co esta salda a la vsta, se marca "Results", "Plots", "Normal Probablty Plot", el programa hace el sguete gráfco para estudar la ormaldad de los resduos: E el gráfco se observa la preseca de u valor atípco y el test de Shapro Wlk rechaza la hpótess de ormaldad (P<0.000).
37 FCEyN - Estadístca para Químca Marta García Be 54 S excluímos el dato atípco y volvemos a estmar los parámetros de la regresó y hacer gráfcos co los resduos. UNWEIGHTED LEAST SQUARES LINEAR REGRESSION OF PARTALFA PREDICTOR VARIABLES COEFFICIENT STD ERROR STUDENT'S T P CONSTANT PLUTONIO E R-SQUARED RESID. MEAN SQUARE (MSE).580E-04 ADJUSTED R-SQUARED 0.90 STANDARD DEVIATION SOURCE DF SS MS F P REGRESSION RESIDUAL E-04 TOTAL CASES INCLUDED 3 MISSING CASES 0
38 FCEyN - Estadístca para Químca Marta García Be 55 Marcamos ahora Results, Plots y represetamos los grafcos que os ofrece el programa: grafco de probabldad ormal y grafco de resduos y valores ajustados. Estos so:
39 FCEyN - Estadístca para Químca Marta García Be 56
40 FCEyN - Estadístca para Químca Marta García Be 57 Esto dca que o es correcto coveete usar para estos datos el método de cuadrados mímos. No hay ua solucó automátca para datos que o cumple las suposcoes del modelo de regresó leal. E este caso e que la dspersó aumeta co el valor esperado, se ha propuesto dos tpos de solucoes. Ua es la de aplcar cuadrados mímos poderados, la otra es la de aplcar trasformacoes a los datos.
41 FCEyN - Estadístca para Químca Marta García Be 58 Cuadrados mímos poderados. Recordemos que e el modelo leal clásco co el que hemos trabajado asummos que: Se observa pares de valores (x, Y ) para,..., que cumple: dode e,e,...,e so varables aleatoras tales que Y α β x e (para,...,) (3) ) E(e ) 0 para todo ) Var(e ) σ (o sea es sempre la msma para todas las observacoes) 3) e, e,..., e so v. a. depedetes E alguos problemas, se sabe de atemao o se observa e los datos que o se cumple la suposcó de que los errores tee gual varaza ( supuesto )), so que la varaza camba co x, dgamos e geeral que es de la forma: dode e prcpo la fucó es descoocda. Var(e ) f (x ) (50)
42 FCEyN - Estadístca para Químca Marta García Be 59 E problemas e los que e es el error de medcó puede ser coocda de atemao la relacó etre la varaca del error y lo que se quere medr (x ). S teemos la suerte de coocer de atemao algo sobre la relacó que hay etre la varaza y el valor de x, o propoemos esta relacó observado los datos, la solucó es smple. Las relacoes más usadas so que la varaza o la desvaco stadard so proporcoales a x, o sea a) Var(e ) cte. x b) DS (e ) cte. X (5) Tato a) como b) puede escrbrse como: Var(e ) θ v dode θ es ua costate coocda o más frecuetemete u parámetro a estmar y v so costates coocdas. Supogamos ahora que se cumple el modelo Y α β x e (para,...,) co las suposcoes ) y 3), pero cambado ) por Var(e ) θ v. Etoces s dvdmos por v ambos membros de (3) y llamamos
43 FCEyN - Estadístca para Químca Marta García Be 60 obteemos Y * * * Y. ; x ; e v Y * α v x v β x * * e (para,...,) (5) e v dode ahora e * cumple las suposcoes ) a 3) del modelo leal clásco. Luego para estmar los parámetros α y β se aplca cuadrados mímos e (5), que equvale a mmzar Σ (/v ) ( y - (a b x ) ) (53) por lo que el método de estmacó se llama cuadrados mímos pesados (o poderados). El peso de cada observacó es versamete proporcoal a su varaza, lo que es tutvamete razoable. Statstx permte calcular los estmadores de cuadrados mímos pesados.
44 FCEyN - Estadístca para Químca Marta García Be 6 Cuado para cada valor de x se hace varas observacoes de y, se puede estmar las varazas de los errores por las varazas muestrales e lugar de hacer suposcoes como e (5). Luego se emplea estas varazas estmadas e el método de cuadrados mímos poderados. Veremos a cotuacó u ejemplo e el que aplcaremos este método. Este método o es recomedable s hay pocas observacoes para cada x. Ejemplo 3: E el lbro de Mller se preseta el sguete problema. E u expermeto de calbracó se aalzaro solucoes stadard co cocetracó coocda. Cada solucó fue medda 0 veces. Se muestra las medas y las DS de las absorbacas observadas: Cocetracó Absorbaca Promedo DS Los datos de cocetracó y promedo de absorbaca se grafca a cotuacó:
45 FCEyN - Estadístca para Químca Marta García Be 6 Se observa e el gráfco que la relacó es leal. Pero e la tabla (esto o se ve e el gráfco, porque o teemos los datos orgales del expermeto, verdad?) se ve que a medda que la verdadera cocetracó aumeta, crece la DS. As que es sosteble la suposcó ) del modelo de regresó e este ejemplo y es evdete que Var(e ) f(x ) v dode la fucó es crecete. S o teemos dea preva de la forma de esta fucó, se suele smplemete estmar cada v co el cuadrados de la DS correspodete. Por ejemplo para x 0
46 FCEyN - Estadístca para Químca Marta García Be 63 estmamos v co el cuadrado de 0.00, etc. El estmador de mímos cuadrados poderados usa como pesos las versas de estos v estmados. El Statstx permte calcular cuadrados mímos poderados. Igresamos los datos, calculamos los pesos y obteemos la sguete salda: WEIGHTED LEAST SQUARES LINEAR REGRESSION OF MEDIAABSO WEIGHTING VARIABLE: PESOS PREDICTOR VARIABLES COEFFICIENT STD ERROR STUDENT'S T P CONSTANT CONCENTRA R-SQUARED RESID. MEAN SQUARE (MSE).503 ADJUSTED R-SQUARED STANDARD DEVIATION S, por error hubésemos calculado la recta de cuadrados mímos s poderacoes, hubésemos obtedo:
47 FCEyN - Estadístca para Químca Marta García Be 64 UNWEIGHTED LEAST SQUARES LINEAR REGRESSION OF MEDIAABSO PREDICTOR VARIABLES COEFFICIENT STD ERROR STUDENT'S T P CONSTANT CONCENTRA R-SQUARED RESID. MEAN SQUARE (MSE).8E-04 ADJUSTED R-SQUARED STANDARD DEVIATION Auque e este ejemplo los estmadores de α y β so parecdos, debdo a que los putos está muy cerca de ua recta, e otros ejemplo podría haber dferecas mportates, s embargo camba la sgfcacó de la ordeada al orge.
48 FCEyN - Estadístca para Químca Marta García Be 65 Trasformacoes: Otra forma de solucoar la falla e la suposcó ) que suele ser al msmo tempo útl para lograr que los resduos tega ua dstrbucó más próxma a la ormal es aplcar trasformacoes a los datos. Se suele probar co la trasformacó logarítmca. Esta es la trasformacó más usada e químca expermetal. E el Curso de Itroduccó al coocmeto cetífco expermetal de la Dra. Cela Croto, cap 7 ( se explca: E la ceca expermetal se aplca los logartmos e dsttas stuacoes, ua de ellas es cuado se aalza los resultados de u expermeto e el que se trabaja co dlucoes seradas. Las más comues so las dlucoes e base 0, pero e serología, por ejemplo, se usa las dlucoes e base. Cuado ua sustaca se dluye e forma serada de modo de obteer dlucoes de la msma de /0; /00; /000; /0.000 y /00.000, so las potecas de 0. S fuera dlucoes e base dos, tedríamos /; /4, /8, /6, /3, /64 y así utlzado las potecas de. També se suele usar la trasformacó raíz cuadrada o elegr ua trasformacó e ua famla de trasformacoes que cluye al logartmo, la raíz cuadrada y a otras (método de Box y Cox). Exste métodos para elegr ua trasformacó, detro de ua famla. No trataremos estos métodos e este curso. Se puede ver por ejemplo e el capítulo 3 del lbro de Neter y otros.
49 FCEyN - Estadístca para Químca Marta García Be 66 Referecas:. Mller y Mller. Estadístca para Químca Aalítca. Addso Wesley.. Neter, Kuter, Nachtshem y Wasserma. Appled Ler Statstcal Models. Mc Graw Hll.
50 FCEyN - Estadístca para Químca Marta García Be 67 Metodo Gráfco: QQ-Plot (o Plor Normal) E u par de ejes coordeados se represeta los percetles teórcos de la dstrbucó Normal y e el otro eje los percetles de la muestra. S la muestra realmete provee de ua poblacó Normal, el gráfco debería estar, salvo fluctuacoes aleatoras, sobre ua recta (yx). Las dsttas curvaturas que puede oresetar estos gráfcos, os sugere que tpo de dstrbucó puede teer la poblacó de orge. El SX realza estos gráfcos y además os provee el valor del estadístco de Shapro-Wlk, W, que mde la asocacó etre los percetles poblacoales y muestrales. Este test es recomedado por muchos autores para muestras de tamaño medo. S teemos ua muestra aleatora u,... u, tales que u ~ F, la hpótess ula del test es que los datos provee de ua muestra co dstrbucó ormal, es decr H o : F~ Normal La dstrbucó teórca de W també está tabulada, así que podemos comparar el valor obtedo co los de la tabla correspodete.
51 FCEyN - Estadístca para Químca Marta García Be 68 SX os devuelve el valor del estadístco W y u valor P(W) que os dca s el W observado es grade o pequeño. Veamos u ejemplo: Los sguetes datos correspode a la reduccó e la FVC e pacetes co fbross quístca después de 5 semaas de tratameto cuado fuero tratados co la droga amlorde y co placebo: Placebo Amlorde
52 FCEyN - Estadístca para Químca Marta García Be 69 Normal Probablty Plot of PLACEBO Normal Probablty Plot of AMILORIDE Ordered Data Ordered Data Rakts Shapro-Wlk W P(W) cases Rakts Shapro-Wlk W P(W) cases
53 FCEyN - Estadístca para Químca Marta García Be 70 Los valores de W y de P(W) obtedos so: W P(W) Amlorde Placebo Por lo tato o es razoable que las dferecas de FVC de los placebos sea ormales, metras que este supuesto o parece cotradecrse e el caso de los tratados co Amlorde.
54 FCEyN - Estadístca para Químca Marta García Be 7
55 FCEyN - Estadístca para Químca Marta García Be 7
56 FCEyN - Estadístca para Químca Marta García Be 73 Asmetrca a zquerda Colas Lvaas Normal Colas Pesadas Asmetrca a derecha RojoMedaa, NegroMeda
Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión
Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la
Más detallesLa inferencia estadística es primordialmente de naturaleza
VI. Ifereca estadístca Ifereca Estadístca La fereca estadístca es prmordalmete de aturaleza ductva y llega a geeralzar respecto de las característcas de ua poblacó valédose de observacoes empírcas de la
Más detalles1. Introducción 1.1. Análisis de la Relación
. Itroduccó.. Aálss de la Relacó Ejemplos: Relacoes fucoales de terés Redmeto Doss de fertlzate Redmeto hortícola Desdad de platacó Volume de madera a cortar Desdad de platacó Catdad de suplemeto dado
Más detallesRegresión lineal simple
Descrpcó breve del tema Regresó leal smple Tema. Itroduccó. El modelo de regresó smple 3. Hpótess del modelo Lealdad, homogeedad, homocedastcdad, depedeca ormaldad 4. Estmacó de los parámetros Mímos cuadrados,
Más detallesEn esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )
Regresó Leal mple. REGREIÓN IMPLE El aálss de regresó es ua herrameta estadístca la cual utlza la relacó, etre dos o más varables de modo que ua varable pueda ser predcha desde la (s) otra (s). Por ejemplo
Más detallesREGRESIÓN LINEAL SIMPLE
RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó
Más detallesGRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A
Febrero 20 EAMEN MODELO A Pág. 1 GRADO EN PICOLOGIA INTRODUCCIÓN AL ANÁLII DE DATO Códgo Asgatura: 620137 FEBRERO 20 EAMEN MODELO A Tabla 1: Para estudar la relacó etre las putuacoes e u test () y el redmeto
Más detallesAnálisis de Regresión
Aálss de Regresó Ig. César Augusto Zapata Urqujo Ig. José Alejadro Marí Del Río Facultad de Igeería Idustral Uversdad Tecológca de Perera 0-05 Modelo de Regresó Leal Smple Y Dados A (, ) =,,. Gráfco o
Más detallesEstadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo
Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos
Más detallesANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL
ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL TIPOS DE RELACIONES ENTRE VARIABLES Dos varables puede estar relacoadas por: Modelo determsta Modelo estadístco Ejemplo: Relacó de la altura co la edad e ños.
Más detallesAplicación de Boostrapping en Regresión I
Aplcacó de Boostrappg e Regresó I U modelo de regresó leal basado e observacoes (x,y ) es de la forma y =x β+e (=,,..) dode y so los valores observados de la varable de respuesta y, y los x so vectores
Más detalles-Métodos Estadísticos en Ciencias de la Vida
-Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable
Más detallesV II Muestreo por Conglomerados
V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos
Más detallesTEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx
TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la
Más detallesESTADÍSTICA poblaciones
ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:
Más detallesANÁLISIS DE REGRESIÓN. Departamento de Matemáticas Universidad de Puerto Rico Recinto Universitario de Mayagüez
ANÁLISIS DE REGRESIÓN Feradez Departameto de Matemátcas Uversdad de Puerto Rco Recto Uverstaro de Mayagüez REGRESIÓN LINEAL SIMPLE Regresó: cojuto de téccas que so usadas para establecer ua relacó etre
Más detallesx x x x x Y se seguía operando
. INTRODUCCIÓN. DEFINICIONES UNIDAD : Números complejos Cuado se teta resolver ecuacoes de segudo grado como por ejemplo x 4x 0, se observa que o 4 6 5 4 6 tee solucoes reales x x, pues o exste raíces
Más detallesDivisión de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)
Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó
Más detalles1 Estadística. Profesora María Durbán
Tema 5: Estmacó de Parámetros Tema 5: Estmacó de Parámetros 5. Itroduccó y coceptos báscos 5. Propedades de los estmadores 5.4 Dstrbucó de u estmador e el muestreo Objetvos del tema: Al fal del tema el
Más detallesTema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO.
Tema 60.Parámetros estadístcos. Calculo propedades y sgfcado Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGIFICADO.. Itroduccó. Defcó de estadístca. Estadístca descrptva y estadístca ferecal.
Más detallesque queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x)
APROXIMACIÓN DISCRETA DE MÍNIMOS CUADRADOS Las leyes físcas que rge el feómeo que se estuda e forma expermetal os proporcoa formacó mportate que debemos cosderar para propoer la forma de la fucó φ ( x)
Más detallesEstadística. Tema 6: Análisis de Regresión.. Estadística. UNITEC Tema 6: Análisis de Regresión Prof. L. Lugo
Estadístca Tema 6: Aálss de Regresó. Estadístca. UNITEC Tema 6: Aálss de Regresó Modelos de Regresó E muchos problemas este ua relacó herete etre dos o mas varables, resulta ecesaro eplorar la aturaleza
Más detallesFigura 1
Regresó Leal Smple 7 Regresó Leal Smple 7. Itroduccó Dra. Daa Kelmasky 0 E muchos problemas cetífcos teresa hallar la relacó etre ua varable (Y), llamada varable de respuesta, ó varable de salda, ó varable
Más detallesTema 2: Distribuciones bidimensionales
Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;
Más detalles1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL
Estadístca y probabldad 1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL 1.1 DISTRIBUCIONES ESTADÍSTICAS Se usa dagramas de barras, dode la altura de éstas represeta la recueca de cada
Más detallesEstadística Descriptiva
Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u
Más detallesEl valor en el que se estabilizan las proporciones se le conceptualiza como la probabilidad
Regulardad estadístca. E vrtud de la gra varabldad de muchos procesos, se recurre al estudo del comportameto e grades cojutos de elemetos. Se busca captar los aspectos sstemátcos o los aleatoros. Se pretede
Más detallesx θ es conocida pero se desconoce θ total o ˆθ ) debe ser función de los datos de la muestra
Estmacó putual de parámetros. Parámetro( : Característca de la poblacó. E estadístca la forma fucoal de f ( ; es coocda pero se descooce total o parcalmete. La estmacó del parámetro ( debe ser fucó de
Más detalles4º MEDIO: MEDIDAS DE POSICIÓN
4º MEDIO: MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co
Más detallesEn la siguiente tabla se resume la utilidad de alguno de los tests que hemos estudiado (no todos). Tests para comparar dos o mas muestras
FCEyN - Estadístca para Químca do cuat 006 - Marta García Be 8 E la sguete tabla se resume la utldad de alguo de los tests que hemos estudado (o todos). Tests para comparar dos o mas muestras Tpo de varable
Más detallesMUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún:
A. Morllas - p. - MUESTREO E POBLACIOES FIITAS () Dos aspectos báscos de la fereca estadístca, o vstos aú: Proceso de seleccó de la muestra Métodos de muestreo Tamaño adecuado e poblacoes ftas Fabldad
Más detallesUNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro)
UIDAD.- Dstrbucoes bdmesoales. Correlacó regresó (tema del lbro). VARIABLES ESTADÍSTICAS BIDIMESIOALES Vamos a trabajar sobre ua sere de feómeos e los que para cada observacó se obtee u par de meddas.
Más detallesRespuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:
Curso: Estadístca Iferecal (ICO 8306) Profesores: Esteba Calvo, Pablo Huechapa y Omar Ramos Ayudates: José T. Meda, Fabo Salas y Daela Vlches PROBLEMA Cosdere que Ud. es dueño de u campo que produce mazaas,
Más detallesANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES
ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION
Más detallesEJERCICIOS RESUELTOS TEMA 3.
INTRODUCCIÓN AL ANÁLII DE DATO EJERCICIO REUELTO TEMA 3. 3.1. La ampltud total de la dstrbucó de frecuecas de la tabla 1. es: A) 11; B) 1; C). Tabla 1. Estatura e cetímetros de ños de 1 meses de edad.
Más detallesTEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS
Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE
Más detallesVARIABLES ESTADÍSTICAS UNIDIMENSIONALES.
CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.
Más detallesTRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).
TRABAJO : Varables Estadístcas Bdmesoales (Tema ). Téccas Cuattatvas I. Curso 07/08. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: E los eucados de los ejerccos que sgue aparece los valores
Más detallesTeoría Simplificada de ERRORES Suscriben este documento los coordinadores de Laboratorio de Química, Física I y Física II.
Teoría Smplfcada de ERRORES Suscrbe este documeto los coordadores de Laboratoro de Químca, Físca I y Físca II. Defcoes Báscas: -Error absoluto (o error): Itervalo xe dode co máxma probabldad se ecuetra
Más detallesMEDIDAS DE FORMA Y CONCENTRACIÓN
MEDIDAS DE FORMA Y CONCENTRACIÓN 4..- Asmetría: coefcetes de asmetría de Fsher y Pearso. Otros Coefcetes de asmetría. 4.2.- La ley ormal. 4..- Curtoss o aplastameto: coefcete de Fsher. 4.4.- Meddas de
Más detallesMEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.
MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co u ejemplo:
Más detallesAPROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS
APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS Sugerecas para que mparte el curso Ha llegado el mometo e que es coveete resolver ejerccos aplcado
Más detallesVARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN
VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode
Más detallesColegio Sagrada Familia Matemáticas 4º ESO ESTADÍSTICA DESCRIPTIVA
Colego Sagrada Famla Matemátcas 4º ESO 011-01 1.- TERMIOLOGÍA. TABLAS Y GRÁFICOS ESTADÍSTICOS ESTADÍSTICA DESCRIPTIVA La poblacó es el cojuto de de todos los elemetos, que cumpledo ua codcó, deseamos estudar.
Más detallesIntensificación en Estadística
GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro
Más detallesI. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS
Estadístca Tema. Seres Estadístcas. Dstrbucoes de frecuecas. Pág. I. ANÁLISIS DESCIPTIVO DE UN CONJUNTO DE DATOS Seres Estadístcas. Dstrbucoes de frecuecas.. Defcó de Estadístca... Coceptos geerales...2
Más detalles6. ESTIMACIÓN PUNTUAL
Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua
Más detallesMEDIDAS DE TENDENCIA CENTRAL
Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes
Más detallesAnálisis de la Varianza
Descrpcó breve del tema Aálss de la Varaza Tema. troduccó al dseño de expermetos. El modelo. Estmacó de los parámetros. Propedades de los estmadores 5. Descomposcó de la varabldad 6. Estmacó de la dfereca
Más detalles3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna
arte robabldad codcoal rof. María. tarell - robabldad codcoal.- Defcó Supogamos el expermeto aleatoro de extraer al azar s reemplazo dos bolllas de ua ura que cotee 7 bolllas rojas y blacas. summos que
Más detallesSOLUCIONES A LOS EJERCICIOS DE LA UNIDAD
Pág. 1 Pága 09 PRACTICA Meda y desvacó típca 1 El úmero de faltas de ortografía que cometero u grupo de estudates e u dctado fue: 0 1 0 1 0 0 1 1 1 0 1 0 0 0 0 1 1 0 0 0 1 a) D cuál es la varable y de
Más detallesTEMAS CUESTIONARIO DE AUTOEVALUACIÓN
TEMAS 1-2-3 CUESTIOARIO DE AUTOEVALUACIÓ 2.1.- Al realzar los cálculos para obteer el Ídce de G se observa que: p 3 > q 3 y que p 4 >q 4 etoces: La prmera desgualdad es falsa y la seguda certa. La prmera
Más detallesMODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU
MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar
Más detalles( ) = 0 entonces ˆ i i. xy x Y Y xy Y x ˆ. β = = β =.(1) Propiedades Estadísticas de los estimadores MICO. Linealidad.
Propedades Estadístcas de los estmadores MICO Lealdad ) y Y Y Y Y = = = β Y Dado que la = 0 etoces β =.) S defmos el poderador k =, co las propedades sguetes: a) No estocástco b) k = 0 c) k = k d) = kx
Más detalles10 MUESTREO. n 1 9/ / σ σ 1
10 MUESTREO 1 Cómo varará la desvacó típca muestral s se multplca por cuatro el tamaño de la muestra? Y s se aumeta el tamaño de la muestra de 16 a 144? S µ y so la meda y la desvacó típca poblacoales,
Más detallesTEMA 2: LOS NÚMEROS COMPLEJOS
Matemátcas º Bachllerato. Profesora: María José Sáche Quevedo TEMA : LOS NÚMEROS COMPLEJOS. LOS NÚMEROS COMPLEJOS Relacó etre los úmeros complejos y los putos del plao. Afjo de u úmero complejo. Cojugado
Más detallesCÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:
CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro
Más detallesDISTRIBUCIÓN DE LA MEDIA Y EL TEOREMA DEL LÍMITE CENTRAL
Smposo de Metrología 4 al 7 de Octubre DISTRIBUCIÓ DE LA MEDIA Y EL TEOREMA DEL LÍMITE CETRAL Wolfgag A. Schmd Cetro acoal de Metrología Tel.: (44) 4, e-mal: wschmd@ceam.mx Resume: De acuerdo al Teorema
Más detalles4 METODOLOGIA ADAPTADA AL PROBLEMA
4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor
Más detallesEstadística Descriptiva
Estadístca Descrptva Parcalmete facado a través del PIE-04 (UMA). Promedos y meddas de poscó. Meddas de dspersó. Meddas de asmetría. Valores atípcos..4 Meddas de desgualdad..5 Valores atípcos: Dagrama
Más detallesEstadística Descriptiva
Estadístca Descrptva Poblacó: Es u cojuto de elemetos co ua determada característca. Muestra: Es u subcojuto de la poblacó. Muestreo: Es el proceso para elegr ua muestra que sea represetatva de la poblacó.
Más detallesEstadística Espacial. José Antonio Rivera Colmenero
Estadístca Espacal José Atoo Rvera Colmeero 1 Descrptores del patró putual Tedeca cetral 1. Meda cetral (Meda espacal). Meda cetral poderada 3. Medaa cetral (medaa espacal) o se utlza amplamete por su
Más detallesPARÁMETROS ESTADÍSTICOS ... N
el blog de mate de ada: ESTADÍSTICA pág. 6 PARÁMETROS ESTADÍSTICOS MEDIDAS DE CENTRALIZACIÓN Las tablas estadístcas y las represetacoes grácas da ua dea del comportameto de ua dstrbucó, pero ese cojuto
Más detallesn p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción
Capítulo VII PROBABILIDAD 1. Itroduccó Se dcaba e el capítulo ateror que cuado u expermeto aleatoro se repte u gra úmero de veces, los posbles resultados tede a presetarse u úmero muy parecdo de veces,
Más detallesMATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades
MATEMÁTICA MÓDULO 4 Eje temátco: Estadístca y Probabldades Empezaremos este breve estudo de estadístca correspodete al cuarto año de Eseñaza Meda revsado los dferetes tpos de gráfcos.. GRÁFICOS ESTADÍSTICOS
Más detallesObjetivos. Introducción n a las medidas de posición n (tendencia central o tipismo): Moda y Mediana Media aritmética
Objetvos Itroduccó a las meddas de poscó (tedeca cetral o tpsmo): Moda y Medaa Meda artmétca tca Cuartles,, decles y percetles Meddas de poscó Defcó: : refereca a u lugar específco de ua dstrbucó, epresado
Más detallesMEDIDAS DE CENTRALIZACIÓN
Educagua.com MEDIDAS DE CETRALIZACIÓ Las meddas de cetralzacó so estadístcos que releja algú valor global de la sere estadístca. Las prcpales meddas de cetralzacó so: Meda artmétca smple. Meda artmétca
Más detallesTEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción.
TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO 5..- Itroduccó. Stuacoes segú el vel de formacó: Certeza. Icertdumbre parcal o resgo: (Iversoes co resgo) Icertdumbre total: (Iversoes co certdumbre)
Más detallesEstadística Contenidos NM 4
Cetro Educacoal Sa Carlos de Aragó. Sector: Matemátca. Prof.: Xmea Gallegos H. 1 Estadístca Cotedos NM 4 Udad: Estadístca y Probabldades. Apredzajes Esperados: * Recooce dferetes formas de orgazar formacó:
Más detallesExperimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS
Epermeto: I. OJETIVOS UNIVERSIDD DE TM Facultad de ecas Naturales Departameto de Físca TEORÍ DE ERRORES Idetfcar errores sstemátcos y accdetales e u proceso de medcó. ompreder los coceptos de eacttud y
Más detallesApuntes preparados por el profesor Sr. Rosamel Sáez Espinoza con fines de docencia
Aputes preparados por el profesor Sr. Rosamel Sáez Espoza co fes de doceca La meda Sea u cojuto de observacoes x 1,..., x, o agrupados. Se defe la meda o promedo, medate: x 1 La meda utlza todas las observacoes,
Más detallesINGENIERÍA INDUSTRIAL DISEÑO EXPERIMENTAL LEOPOLDO VIVEROS ROSAS
INGENIERÍA INDUTRIAL A meudo, e la práctca, se requere resolver prolemas que clue cojutos de varales, cuado se sae que este algua relacó herete etre ellas, esa relacó se puede ecotrar a partr de la formacó
Más detallesRegresión y correlación lineal.
Regresó y correlacó leal. Este procedmeto proporcoa medos legítmos, modelos matemátcos a trabes de los cuales, se puede establecer asocacoes etre varables de terés e las cuales la relacó usual o es casual.
Más detallesCAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en
CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA 3. Itroduccó Los datos stétcos so elemetos de suma mportaca e los sstemas de dseño e presas de almaceameto, ya que se evalúa el propósto del sstema co sumo
Más detallesCurso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple
1 Curso de Estadístca Udad de Meddas Descrptvas Leccó 2: Meddas de Tedeca Cetral para Datos Agrupados por Valor Smple Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor 2 Objetvos 1. Calcular
Más detalles. Si vamos calculando así las potencias n-ésimas de la unidad imaginaria, descubriremos que son cíclicas y que cada 4 términos se repiten: ( )
Los úmeros complejos surje a ra de ecuacoes de la forma x + 0 Exste u certo paralelsmo etre este cuerpo el plao, cocretamete, lo que ha es ua correspodeca buívoca, es decr, ua relacó bectva etre C R R
Más detalles2 - TEORIA DE ERRORES : Calibraciones
- TEORIA DE ERRORES : Calbracoes CONTENIDOS Errores sstemátcos.. Modelo de Studet. Curvas de Calbracó. Métodos de los Mímos Cuadrados. Recta de Regresó. Calbracó de Istrumetos OBJETIVOS Explcar el cocepto
Más detallesAproximación a la distribución normal: el Teorema del Límite Central
Aproxmacó a la dstrbucó ormal: el Teorema del Límte Cetral El teorema del límte cetral establece que s se tee varables aleatoras, X, X,..., X, depedetes y co détca dstrbucó de meda µ y varaza σ, a medda
Más detallesIncertidumbre en las mediciones directas e indirectas
Icertdumbre e las medcoes drectas e drectas Comezaremos por dstgur dos dferetes tpos de medcoes: Medcoes drectas: La medda de la cota se obtee e ua úca medcó co u strumeto de lectura drecta. Medcoes drectas:
Más detallesG - Métodos de Interpolación
ESCUELA SUPERIOR DE NÁUTICA Y MÁQUINAS NAVALES / NAUTIKAKO ETA ITSASONTZI MAKINETAKO GOI ESKOLA TEKNIKOA FUNDAMENTOS MATEMÁTICOS G - Métodos de Iterpolacó Polomo de terpolacó de Lagrage. Polomo de terpolacó
Más detallesGENERACION DE VARIABLES ALEATORIAS
GENERACION DE VARIABLES ALEATORIAS Hay ua varedad de métodos para geerar varables aleatoras. Cada método se aplca solo a u subcojuto de dstrbucoes y para ua dstrbucó e partcular u método puede ser más
Más detallesINSTITUTO TECNOLÓGICO DE APIZACO PROBABILIDAD AXIOMAS Y TEOREMAS DE LA PROBABILIDAD.
NSTTUTO TECNOLÓGCO DE ZCO Estadístca OLDD XOMS Y TEOEMS DE L OLDD. DEFNCONES DE L OLDD. La palabra probabldad se utlza para cuatfcar uestra creeca de que ocurra u acotecmeto determado. Exste tres formas
Más detallesRegresión Simple. Resumen. Ejemplo de StatFolio: simple reg.sgp
STATGRAPHICS Rev. 4/5/7 Regresó Smple Resume El procedmeto de Regresó Smple está dseñado para costrur u modelo estadístco que descrba el mpacto de u solo factor cuattatvo X sobre ua varable depedete Y.
Más detalles3 Metodología de determinación del valor del agua cruda
3 Metodología de determacó del valor del agua cruda Este aexo de la metodología del valor de agua cruda (VAC), cotee el método de detfcacó de la relacó etre reco y caudal, el cálculo de los estadígrafos
Más detallesLOS NÚMEROS COMPLEJOS
LOS NÚMEROS COMPLEJOS por Jorge José Osés Reco Departameto de Matemátcas - Uversdad de los Ades Bogotá Colomba - 00 Cuado se estudó la solucó de la ecuacó de segudo grado ax bx c 0 se aaló el sgo del dscrmate
Más detallesPARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción
Parte Estadístca Descrptva Prof. María B. Ptarell PARTE - ESTADISTICA 7- Estadístca Descrptva 7. Itroduccó El campo de la estadístca tee que ver co la recoplacó, orgazacó, aálss y uso de datos para tomar
Más detallesSi los cerdos de otro granjero tienen los siguientes pesos: 165, 182, 185, 168, 170, 173, 180, 177. Entonces el diagrama de puntos está dado por:
Aputes de Métodos Estadístcos I Prof. Gudberto J. Leó R. I- 65 Uversdad de los Ades Escuela de Estadístca. Mérda -Veezuela Meddas de Dspersó Además de obteer la formacó que reúe las meddas de tedeca cetral
Más detallesTema 9 Estadística Matemáticas B 4º E.S.O. 1 TABLAS DE FRECUENCIAS Y REPRESENTACIONES GRÁFICAS EN VARIABLES DISCRETAS
Tema 9 Estadístca Matemátcas B º E.S.O. TEM 9 ESTDÍSTIC TBLS DE FRECUENCIS Y REPRESENTCIONES GRÁFICS EN VRIBLES DISCRETS EJERCICIO : l pregutar a 0 dvduos sobre el úmero de lbros que ha leído e el últmo
Más detallesTEMA 6 MUESTREO POR CONGLOMERADOS MONOETÁPICO
TEA 6 UESTREO POR COGLOERADOS OOETÁPICO Cotedo 1- Defcó. Aplcacó. Seleccó de ua muestra por Coglomerados. Etapas. otacó. - uestreo mooetápco co coglomerados de gual tamaño. Estmacó de la meda, el total
Más detallesQué es la estadística? presentación, análisis e interpretación de datos numéricos con e fin de realizar una toma de decisión más efectiva.
Estadístca Alguos Coceptos Itroduccó Qué es la estadístca? La estadístca, e geeral, es la ceca que trata de la recoplacó, orgazacó presetacó, aálss e terpretacó de datos umércos co e f de realzar ua toma
Más detallesLínea de Investigación: Fisicoquímica de Alimentos. Programa Educativo: Licenciatura en Química. Nombre de la Asignatura: Química Analítica V
Área Académca de: Químca Líea de Ivestgacó: Fscoquímca de Almetos Programa Educatvo: Lcecatura e Químca Nombre de la Asgatura: Químca Aalítca V Tema: Represetacoes gráfcas de las relacoes propedadcocetracó
Más detallesX / n : proporción de caras ( = frecuencia relativa del suceso A = f A = n A / n ) Se espera que a medida que n crece la frecuencia relativa de cara
95 Teoremas límte Cosderemos el exermeto aleatoro que cosste e arrojar ua moeda equlbrada veces. Suogamos que se regstra la roorcó de caras. U resultado coocdo es que esta roorcó estará cerca de /. Formalzado
Más detallesRENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1
RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC
Más detallesANTES DE COMENZAR RECUERDA
ANTES DE COMENZAR RECUERDA 00 Po tres ejemplos de úmeros reales que o sea racoales, y otros tres ejemplos de úmeros reales que o sea rracoales. Respuesta aberta. Tres úmeros reales que o sea racoales:,
Más detallesMÉTODOS ESTADÍSTICOS DE LA INGENIERÍA
ema ta zabal zazu EUSKAL HERRIKO UNIBERTSITATEA UNIVERSIDAD DEL AIS VASCO MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA Resolucó del ejercco fal. rmera covocatora. Curso INDUSTRIA INGENIARITZA TEKNIKOKO UNIBERTSITATE
Más detallesCAPITULO II. Medidas estadísticas. Objetivo. Contenido. Calcular las medidas posición, de tendencia central, de dispersión y de forma.
CAPITULO II Meddas estadístcas Objetvo Calcular las meddas poscó, de tedeca cetral, de dspersó y de forma. Cotedo * * * * * * Itroduccó Meddas de poscó Meddas de tedeca cetral Meddas de dspersó Meddas
Más detallesTema 12: Modelos de distribución de probabilidad: Variables Continuas
Aálss de Datos I Esquema del Tema Tema : Modelos de dstrbucó de robabldad: Varables Cotuas. EL MODELO RECTANGULAR. EL MODELO NORMAL, N(; ) 3. MODELO CHI-CUADRADO DE PEARSON, k 4. MODELO t DE STUDENT, t
Más detallesProbabilidad y estadística
Probabldad y estadístca Grupo PM4 Trabajado gráfcas,meddas de tedeca cetral, meddas de dspersó e terpretado resultados Prof. Mguel Hesquo Garduño. Depto. De Igeería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.m
Más detallesNOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD
NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD 1. CONCEPTO DE ESTADÍSTICA : Es la ceca que estuda la terpretacó de datos umércos. a) Proceso estadístco : Es aquél que a partr de uos datos umércos, obteemos
Más detallesV Muestreo Estratificado
V Muestreo Estratfcado Dr. Jesús Mellado 10 Certas poblacoes que se desea muestrear, preseta grupos de elemetos co característcas dferetes, s los grupos so pleamete detfcables e su peculardad y e su tamaño,
Más detalles