Height (altura) Extraction (extracción)
|
|
- Cristián Quintero Benítez
- hace 6 años
- Vistas:
Transcripción
1 Regresón Posson Resumen El procedmento Regresón Posson está dseñado para ajustar un modelo de regresón en el cual la varable dependente Y consste de conteos. El modelo de regresón ajustado relacona Y con una o más varables predctoras X, que pueden ser cuanttatvas o categórcas. El procedmento ajusta un modelo usando máxma verosmltud o mínmos cuadrados ponderados. La seleccón de varables por pasos es una opcón. Se realzan pruebas de razón de verosmltud para probar la sgnfcanca de los coefcentes del modelo. El modelo ajustado puede grafcarse y generarse predccones a partr del msmo. Se dentfcan y grafcan resduos atípcos. StatFolo de Ejemplo: Posson reg.sgp Datos de Ejemplo: El archvo mnes.sf6 contene un grupo de datos tomados de Myers (1990) que descrben el número de lesones que ocurren en los campos de carbón en West Vrgna. Los datos conssten de n = 44 observacones de dferentes mnas. A contnuacón se muestra una porcón de los datos: Fractures (fracturas) Thckness (grosor) Extracton (extraccón) Heght (altura) Years (años) La varable dependente es Fractures (fracturas), que tabula el número de lesones en cada mna. Las otras 4 columnas son varables predctoras potencales que cuantfcan dversos atrbutos de cada mna by StatPont, Inc. Regresón Posson - 1
2 Ingreso de Datos La caja de dálogo del ngreso de datos solcta nformacón sobre las varables de entrada: Varable Dependente: varable numérca que contene los n valores de la varable dependente y. Y debe consstr de conteos enteros no negatvos. (Tamaños de Muestra): tamaño de muestra opconal t correspondente a cada cuenta. S no se especfca, todos los t se gualan a 1. Factores Cuanttatvos: columnas numércas que contenen los valores de cualesquera factores cuanttatvos a ser ncludos en el modelo. Factores Categórcos: columnas numércas o no numércas que contenen los nveles de cualesquera factores a ser ncludos en el modelo. Seleccón: seleccón de un subgrupo de datos by StatPont, Inc. Regresón Posson - 2
3 Modelo Estadístco El modelo estadístco asumdo para los datos es que los valores de la varable dependente Y sguen una dstrbucón Posson de la forma p ( Y ) ( t ) λ t e λ = (1) Y! donde λ es el parámetro de la tasa Posson en los valores de las varables predctoras correspondentes a la -ésma observacón. Se supone además que la tasa se relacona con las varables predctoras a través de una funcón de enlace log-lneal de la forma ( λ ) = β + β X + β X β X k k log 0 2 (2) Resumen del Análss El Resumen del Análss presenta una tabla que muestra el modelo estmado y las pruebas de sgnfcanca para los coefcentes del modelo. A contnuacón se muestra una salda típca: Regresón de Posson - Fractures Varable dependente: Fractures Factores: Thckness Extracton Heght Years Modelo Estmado de Regresón (Máxma Verosmltud) Error Razón de Momos Parámetro Estmado Estandar Estmada CONSTANTE Thckness Extracton Heght Years Análss de Desvacón Fuente Desvacón Gl Valor-P Modelo Resduo Total (corr.) Porcentaje de desvacón explcado por el modelo = Porcentaje ajustado = Pruebas de Razón de Verosmltud Factor Ch-Cuadrada Gl Valor-P Thckness Extracton Heght Years Análss de Resduos Estmacón n 44 CME MAE MAPE ME MPE Valdacón 2006 by StatPont, Inc. Regresón Posson - 3
4 La salda ncluye: Resumen de los Datos: un resumen de los datos que fueron ngresados. Modelo Estmado de Regresón: estmacones de los coefcentes del modelo de regresón, con errores estándar y las Razones de Momos. Las razones de momos se calculan a partr de los coefcentes del modelo βˆ por medo de razón de momos = ( βˆ ) j exp (3) j La razón de momos representa el ncremento porcentual en el momo de los eventos por undad de ncremento en X. Análss de Desvacón: descomposcón de la desvacón de los datos en un componente explcado (Modelo) y un componente no explcado (Resduo). La Desvacón compara la funcón de verosmltud de un modelo con el valor más grande que puede alcanzar la funcón de verosmltud, de tal forma que un modelo perfecto tendría una desvacón gual a 0. Hay tres renglones en la tabla: 1. Total (corr.) la desvacón de un modelo que contene úncamente un térmno constante, δ(β 0 ). 2. Resduo la desvacón que queda después de haber ajustado el modelo. 3. Modelo la reduccón en la desvacón debda a las varables predctoras, δ(β 1,β 2,,β k β 0 ), gual a la dferenca entre los otros dos componentes. El Valor de P para el Modelo prueba s el añadr las varables predctoras reduce sgnfcatvamente la desvacón comparada con un modelo que contene sólo un térmno constante. Un Valor de P pequeño (menor de 0.05 s se trabaja con un nvel de sgnfcanca del 5%) ndca que el modelo ha reducdo sgnfcatvamente la desvacón y es así útl para predecr a Y. El Valor de P para el térmno Resduo prueba s hay una falta de ajuste sgnfcatva,.e., s puede haber un modelo mejor. Un Valor de P pequeño ndca que una desvacón sgnfcatva queda aún en los resduos, así que puede haber un mejor modelo. Porcentaje de Desvacón el porcentaje de desvacón explcada por el modelo, calculada por medo de ( β1, β 2,..., β k β 0 ) δ ( β ) 2 δ R = (4) 0 Es smlar a una estadístca R cuadrada en regresón múltple, en que va de 0% a 100%. Tambén se calcula una desvacón ajustada con R ( β1, β 2,..., β k β 0 ) δ ( β ) 2 δ 2 adj 0 p = (5) 2006 by StatPont, Inc. Regresón Posson - 4
5 donde p es gual al número de coefcentes en el modelo ajustado, ncluyendo al térmno constante. Es semejante a la estadístca R-cuadrada ajustada en que compensa el número de varables en el modelo. Pruebas de Razón de Verosmltud una prueba de sgnfcanca para cada efecto en el modelo ajustado. Estas pruebas comparan la funcón de verosmltud del modelo completo con la del modelo en el cual sólo el efecto ndcado ha sdo removdo. Valores de P pequeños ndcan que el modelo ha mejorado sgnfcatvamente por el efecto correspondente. Análss de Resduos s un subgrupo de flas en la hoja de datos ha sdo excludo del análss usando el campo Selecconar en la caja de dálogo de ngreso de datos, el modelo ajustado se usa para hacer predccones de los valores de Y para estas flas. Esta tabla muestra estadístcas sobre los errores de predccón, defndos por e = y λˆ t (6) Se ncluyen el cuadrado medo del error (CME), el error absoluto medo (MAEA), el error porcentual absoluto medo (MAPE), el error medo (ME), y el error porcentual medo (MPE). Estas estadístcas de valdacón pueden ser comparadas con las estadístcas del modelo ajustado para determnar qué tan ben el modelo predce las observacones fuera de los datos usados para ajustarlo. El modelo ajustado para los datos del ejemplo es ˆ λ = exp ( Thckness Extracton Heght Years) La regresón explca alrededor del 49.5% de la desvacón de un modelo con sólo una constante. El valor de P para un par de varables está por arrba 0.05, ndcando que podrían ser removdos razonablemente del modelo by StatPont, Inc. Regresón Posson - 5
6 Opcones de Análss Modelo: orden del modelo a ser ajustado. Los modelos de prmer orden ncluyen solo efectos prncpales. Los modelos de segundo orden ncluyen efectos cuadrátcos para los factores cuanttatvos e nteraccones de dos factores entre todas las varables. Inclur Constante: S no se marca esta opcón, el térmno constante β 0 será omtdo del modelo. Ajustar: especfca s todas las varables ndependentes especfcadas en caja de dálogo del ngreso de datos deben ser ncludas en el modelo fnal, o s se debe aplcar una seleccón por pasos de las varables. La seleccón por pasos ntenta encontrar un modelo parsmonoso que contenga sólo varables sgnfcatvas estadístcamente. Un ajuste por Seleccón Haca Adelante comenza sn varables en el modelo. Un ajuste por Seleccón Haca Atrás comenza con todas las varables en el modelo. P-para-Introducr - En un ajuste por pasos, las varables entrarán al modelo en un paso dado s sus valores de P son menores o guales al valor especfcado de P-para-Introducr. P-para-Elmnar - En un ajuste por pasos, las varables serán removdas del modelo en un paso dado s sus valores de P son mayores que el valor especfcado de P-para-Elmnar. Pasos Max.: máxmo número de pasos permtdos cuando se lleva a cabo un ajuste por pasos. Mostrar: s se muestran los resultados en cada paso cuando se lleva a cabo un ajuste por pasos. Exclur: Presone este botón para exclur efectos del modelo. Se mostrará una caja de dálogo: 2006 by StatPont, Inc. Regresón Posson - 6
7 Haga doble clc sobre un efecto para moverlo del campo Inclur al campo Exclur o para regresarlo. Ejemplo: Ajuste por Pasos haca Atrás de un Modelo de Segundo Orden Para encontrar un predctor parsmonoso pero útl para el número de Fractures (fracturas), se consderó un modelo de segundo orden. Este modelo agrega térmnos adconales que nvolucran efectos cuadrátcos tales como Thckness 2 (grosor 2 ) e nteraccones entre cada par de varables, representadas por productos cruzados tales como Thckness*Extracton (grosor*extraccón). Para evtar que el modelo tuvera muchos térmnos no sgnfcatvos, se empleó un enfoque por pasos. Dos enfoques de ese tpo están dsponbles: Seleccón haca adelante Comenza con un modelo con sólo un térmno constante y mete una varable a la vez con base en su sgnfcanca estadístca s entrara al modelo actual. En cada paso, el algortmo pone en el modelo la varable que tendría la mayor sgnfcanca estadístca s entrara. Sempre que la varable más sgnfcatva tenga un valor de P menor o gual al especfcado en la caja de dálogo Opcones del Análss, será ntroducda al modelo. Cuando nnguna varable tenga un valor de P lo sufcentemente pequeño, se detene la seleccón de varables. Además, las varables ntroducdas al modelo al prncpo del procedmento pueden ser removdas después s su valor de P cae dentro del crtero P-para-Elmnar. Seleccón haca atrás Comenza con un modelo con todas las varables especfcadas en la caja de dálogo del ngreso de datos y quta una varable a la vez con base en su sgnfcanca estadístca en el modelo actual. En cada paso, el algortmo saca del modelo la varable que es la menos sgnfcatva estadístcamente. S la varable menos sgnfcatva tene un valor de P mayor al especfcado en la caja de dálogo Opcones del Análss, será removda del modelo. Cuando todas las varables restantes tengan valores pequeños de P, se detene el procedmento. Además, las varables removdas del modelo al prncpo del procedmento pueden ser rentroducdas después s su valor de P alcanza el crtero P-para-Introducr by StatPont, Inc. Regresón Posson - 7
8 2006 by StatPont, Inc. Regresón Posson - 8
9 La salda a contnuacón muestra el resultado de un ajuste por pasos haca atrás: Seleccón de factores por etapas Método: seleccón haca atrás P-para-ntroducr: 0.05 P-para-elmnar: 0.05 Paso 0: 14 factores en el modelo. 29 g.l. para el error. Porcentaje de desvacón explcada = 68.75% Porcentaje ajustado = 28.74% Paso 1: Elmnando factor Years wth P-para-elmnar = factores en el modelo. 30 g.l. para el error. Porcentaje de desvacón explcada = 68.74% Porcentaje ajustado = 31.40% Paso 2: Elmnando factor Heght*Heght wth P-para-elmnar = factores en el modelo. 31 g.l. para el error. Porcentaje de desvacón explcada = 68.49% Porcentaje ajustado = 33.82% Paso 3: Elmnando factor Thckness*Thckness wth P-para-elmnar = factores en el modelo. 32 g.l. para el error. Porcentaje de desvacón explcada = 68.39% Porcentaje ajustado = 36.39% Paso 4: Elmnando factor Thckness*Years wth P-para-elmnar = factores en el modelo. 33 g.l. para el error. Porcentaje de desvacón explcada = 68.35% Porcentaje ajustado = 39.01% Paso 5: Elmnando factor Extracton*Years wth P-para-elmnar = factores en el modelo. 34 g.l. para el error. Porcentaje de desvacón explcada = 68.13% Porcentaje ajustado = 41.46% Paso 6: Elmnando factor Heght wth P-para-elmnar = factores en el modelo. 35 g.l. para el error. Porcentaje de desvacón explcada = 67.60% Porcentaje ajustado = 43.60% Paso 7: Elmnando factor Extracton*Heght wth P-para-elmnar = factores en el modelo. 36 g.l. para el error. Porcentaje de desvacón explcada = 67.60% Porcentaje ajustado = 46.26% Paso 8: Elmnando factor Years*Years wth P-para-elmnar = factores en el modelo. 37 g.l. para el error. Porcentaje de desvacón explcada = 66.66% Porcentaje ajustado = 47.99% Paso 9: Elmnando factor Thckness*Heght wth P-para-elmnar = factores en el modelo. 38 g.l. para el error. Porcentaje de desvacón explcada = 65.69% Porcentaje ajustado = 49.69% Paso 10: Elmnando factor Heght*Years wth P-para-elmnar = factores en el modelo. 39 g.l. para el error. Porcentaje de desvacón explcada = 61.74% Porcentaje ajustado = 48.41% Modelo fnal selecconado. El algortmo comenzó con 14 efectos. Después de 10 pasos, el número de efectos n el modelo se ha reducdo a 4. A contnuacón de muestra un resumen del modelo fnal: 2006 by StatPont, Inc. Regresón Posson - 9
10 Regresón de Posson - Fractures Varable dependente: Fractures Factores: Thckness Extracton Heght Years Modelo Estmado de Regresón (Máxma Verosmltud) Error Razón de Momos Parámetro Estmado Estandar Estmada CONSTANTE Thckness Extracton Thckness*Extracton Extracton^ Análss de Desvacón Fuente Desvacón Gl Valor-P Modelo Resduo Total (corr.) Porcentaje de desvacón explcado por el modelo = Porcentaje ajustado = Pruebas de Razón de Verosmltud Factor Ch-Cuadrada Gl Valor-P Thckness Extracton Thckness*Extracton Extracton^ El modelo fnal nvolucra sólo 2 varables: Thckness y Extracton. Contene efectos prncpales para ambas varables, una nteraccón entre las 2 varables, y un efecto cuadrátco para Extracton. El porcentaje de desvacón explcada por el modelo ha aumentado a aproxmadamente 61.7%. Gráfca del Modelo Ajustado La Gráfca del Modelo Ajustado muestra la tasa meda estmada ˆ λ ( X ) versus cualquer varable predctora, mantenendo constantes las otras varables by StatPont, Inc. Regresón Posson - 10
11 5 4 Gráfca del Modelo Ajustado con ntervalos de confanza del 95.0% Extracton= Heght= Years= Fractures Thckness Se ncluyen en el gráfco los límtes de confanza para λ(x). Opcones de Ventana Factor: seleccona el factor a grafcar en el eje horzontal. Bajo y Alto: especfca el rango de valores para el factor selecconado by StatPont, Inc. Regresón Posson - 11
12 Mantener: valores en los que se mantendrán fjos los factores no selecconados. Nvel de Confanza: porcentaje usado para los límtes de confanza. Poner en 0 para omtr los límtes. Sguente y Atrás: usado para mostrar otros factores cuando hay presentes más de 16. La tasa estmada de fracturas dsmnuye de una alta de cas 4.5 a una baja de cas 0 conforme el grosor (Thckness) de la mna aumenta, en Extracton = 75, Heght = 50, y Years = 7. Observados Versus Predchos El gráfco Observados versus Predchos muestra los valores observados de Y en el eje vertcal y los valores medos predchos λˆ en el eje horzontal. t 5 Gráfca de Fractures 4 observado predcho S el modelo ajusta ben, los puntos deben estar esparcdos aleatoramente alrededor de la línea dagonal. Predccones El modelo de regresón ajustado puede usarse para predecr el resultado de nuevas muestras cuyas varables predctoras son dadas. Por ejemplo, suponga que se desea una predccón para una mna con Thckness = 100, Extracton = 70, Heght = 50, y Years = 10. Se puede agregar una nueva columna a la hoja de datos con estos valores para las varables predctoras, pero se dejaría en blanco la entrada para Fractures. Entonces la ventana Predccones presentaría: Predccones para Fractures Observado Ajustado LC Inferor 95.0% LC Superor 95.0% Fla para Predccón para Predccón La tabla muestra el valor ajustado λˆ, junto con ntervalos de confanza aproxmados del 95%. t 2006 by StatPont, Inc. Regresón Posson - 12
13 Opcones de Ventana STATGRAPHICS Rev. 4/25/2007 Mostrar: muestra Todos los Valores (predccones para todas las flas en la hoja de datos), o Sólo Pronóstcos (predccones para las flas con valores faltantes para Y). Nvel de Confanza: porcentaje usado para los ntervalos de confanza. Intervalos de Confanza La ventana Intervalos de Confanza muestra el error de estmacón potencal asocado con cada coefcente en el modelo, así como para las razones de tasas. Intervalos de confanza del 95.0% para los estmados de los coefcentes Error Parámetro Estmado Estándar Límte Inferor Límte Superor CONSTANTE Thckness Extracton Heght Years Intervalos de confanza del 95.0% para la razón de tasas Parámetro Estmado Límte Inferor Límte Superor Thckness Extracton Heght Years Opcones de Ventana Nvel de Confanza: nvel porcentual para los ntervalos de confanza by StatPont, Inc. Regresón Posson - 13
14 Matrz de Correlacón La Matrz de Correlacón muestra estmacones de la correlacón entre los coefcentes estmados. Matrz de correlacón para los coefcentes estmados CONSTANTE Thckness Extracton Heght Years CONSTANTE Thckness Extracton Heght Years Esta tabla puede ser útl para determnar que tan ben se han separado unos de otros los efectos de las varables ndependentes. Resduos Atípcos Una vez que el modelo ha sdo ajustado, es útl estudar los resduos para determnar s exste algún valor atípco que debera ser removdo de los datos. La ventana Resduos Atípcos lsta todas las observacones que tenen resduos grandes atípcos. Resduos Atípcos para Fractures Y Resduo Resduo de Fla Y Predcha Resduo Pearson Desvacón La tabla muestra: Fla el número de fla en la hoja de datos. Y el valor observado de Y. Y Predcha el valor ajustado λˆ t. Resduo la dferenca entre los valores observado y predco, defndo por e = y λˆ t (7) Resduo de Pearson un resduo estandarzado en el cual cada resduo es dvdo entre una estmacón de su error estándar: r e = (8) λˆ t Resduo de Desvacón un resduo que mde la contrbucón de cada observacón a la desvacón de los resduos: 2006 by StatPont, Inc. Regresón Posson - 14
15 d STATGRAPHICS Rev. 4/25/2007 y sgn( r ) 2 y ln y + ˆ λt (9) ˆ λt = La suma de los resduos de desvacón cuadrados es gual a la desvacón en el renglón de Resduos en la tabla del análss de desvacón. La tabla ncluye todas las flas para las cuales el valor absoluto del resdual de Pearson es mayor que 2.0. El presente ejemplo muestra 2 resduos que exceden 2.5, nnguno de los cuales excede de 3.0. Gráfcas de Resduos Al gual que con todos los modelos estadístcos, es una buena práctca examnar los resduos. El procedmento Regresón Posson ncluye varos tpos de gráfcas de resduos, dependendo de las Opcones de Ventana. Dagrama de Dspersón versus Valor Predcho Este gráfco es útl para vsualzar s la varabldad de los resduos es constante o depende de las varables predctoras. 2.8 Gráfca de Resduos Resduos de desvacón predcho Fractures Autocorrelacones entre Resduos Este gráfco calcula la autocorrelacón entre resduos como una funcón del número de flas entre ellos en la hoja de datos by StatPont, Inc. Regresón Posson - 15
16 Autocorrelacones Resduales para Fractures autocorrelacón retraso Esto sólo es relevante s los datos se colectaron secuencalmente. Cualquer barra extendéndose más allá de los límtes de probabldad ndcaría dependenca sgnfcatva entre resduos separados por el retraso ndcado. Opcones de Ventana Grafcar: el tpo de resduos a grafcar: 1. Resduos los valores observados menos los ajustados. 2. Resduos Pearson los resduos dvddos entre sus errores estándar estmados. 3. Resduos de Desvacón resduos escalados de tal forma que la suma de sus cuadrados es gual a la desvacón de los resduos by StatPont, Inc. Regresón Posson - 16
17 Tpo: el tpo del gráfco a crear. Se usa un Dagrama de Dspersón para probar curvatura. Se emplea una Gráfca de Probabldad Normal para determnar s los resduos del modelo provenen de una dstrbucón normal (no se espera normaldad en este procedmento). Se usa una Funcón de Autocorrelacón para probar dependenca entre resduos consecutvos. Grafcar versus: para un Dagrama de Dspersón, la cantdad a grafcar en el eje horzontal. Número de Retrasos: para una Funcón de Autocorrelacón, el máxmo número de retrasos. Para grupos pequeños de datos, el número de retrasos grafcados puede ser menor que este valor. Nvel de Confanza: para una Funcón de Autocorrelacón, el nvel usado para crear los límtes de probabldad. Puntos Influyentes Cuando se ajusta un modelo de regresón, no todas las observacones tenen la msma nfluenca en la estmacón de los parámetros del modelo ajustado. Aquellos con valores atípcos de las varables ndependentes tenden a tener mayor nfluenca que los otros. La ventana Puntos Influyentes presenta cualquer observacón que tenga gran nfluenca en el modelo ajustado: Puntos Influyentes para Fractures Fla Leverage Leverage promedo de un solo punto = La tabla muestra todos las observacones con leverage alto. El punto leverage es una estadístca que mde cuán dstante está una observacón de la meda de las n observacones en el espaco de las varables ndependentes. Entre más grande el leverage, mayor el mpacto del punto en los valore ajustados ŷ. Los puntos son colocados en la lsta s el leverage es mayor de tres veces el de un punto promedo La observacón con el punto leverage mayor en los datos de la muestra es la fla #25, aunque es sólo alrededor de 4 veces el punto leverage promedo. Salvar Resultados Se pueden salvar en la hoja de datos los sguentes resultados: 1. Valores Predchos los valores ajustados λˆ t correspondentes a cada fla de la hoja de datos. 2. Límtes Inferores los límtes nferores de confanza para λˆ t. 3. Límtes Superores los límtes superores de confanza para λˆ t. 4. Resduos los resduos ordnaros. 5. Resduos Pearson los resduos estandarzados de Pearson. 6. Resduos de Desvacón los resduos de desvacón. 7. Leverages los puntos nveladores para cada fla by StatPont, Inc. Regresón Posson - 17
18 Cálculos Sea λ = la tasa estmada en los valores de las varables predctoras en la fla. Funcón de Verosmltud L = y [ λ t ] exp( λ t ) n = 1 y! (10) Desvacón L( ˆ) β δ ( ˆ) β (11) y ) = n y y exp( = 1 y! Punto Leverage h 1 { X ( X WX ) X } w = dag (12) p h = (13) n 2006 by StatPont, Inc. Regresón Posson - 18
Regresión 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 detallesRiesgos Proporcionales de Cox
Resgos Proporconales de Cox Resumen El procedmento Resgos Proporconales de Cox esta dseñado para ajustar un modelo estadístco sem-parámetrco a los tempos de falla de una o mas varables predctoras. Los
Más 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 detallesAnálisis de Capabilidad (Defectos Por Unidad)
Análss de Capabldad (Defectos Por Undad) STATGRAPHICS Rev. 9/4/26 Este procedento esta dseñado para estar la eda del núero de defectos por undad sobre una poblacón basándose en uestras de artículos de
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 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 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 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 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 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 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 detallesRegresión Múltiple. Muestra StatFolio: multiple reg.sgp
Regresón Múltple Resumen El procedmento de Regresón Múltple está dseñado para construr un modelo estadístco descrbendo el mpacto de dos o más factores cuanttatvos X sobre una varable dependente Y. El procedmento
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 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 detallesEspecialista en Estadística y Docencia Universitaria REGRESION LINEAL MULTIPLE
Especalsta en Estadístca y Docenca Unverstara REGRESION LINEAL MULTIPLE El modelo de regresón lneal múltple El modelo de regresón lneal múltple con p varables predctoras y basado en n observacones tomadas
Más 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 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 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 detallesAnálisis cuantitativo aplicado al Comercio Internacional y el Transporte
Máster de Comerco, Transporte y Comuncacones Internaconales Análss cuanttatvo aplcado al Comerco Internaconal y el Transporte Ramón úñez Sánchez Soraya Hdalgo Gallego Departamento de Economía Introduccón
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una muestra de observacones formadas por pares de varables: (x 1, y 1 ), (x, y ),.., (x n, y n ) A través de esta muestra, se desea estudar la relacón
Más 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 detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
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 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 detallesEXPERIMENTOS ANIDADOS O JERARQUICOS NESTED
EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED Exsten ocasones donde los nveles de un factor B son smlares pero no déntcos para dferentes nveles del factor A. Es decr, dferentes nveles del factor A ven nveles
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 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 detallesRegresión y Correlación Métodos numéricos
Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El
Más 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 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 detallesVariables Dummy (parte I)
Varables Dummy (parte I) Fortno Vela Peón Unversdad Autónoma Metropoltana fvela@correo.xoc.uam.mx Octubre, 2010 19/10/2010 Méxco, D. F. 1 Introduccón Algunas de las varables son por su naturaleza propa
Más detallesPara dos variables x1 y x2, se tiene el espacio B 2 el que puede considerarse definido por: {0, 1}X{0, 1} = {(00), (01), (10), (11)}
Capítulo 4 1 N-cubos 4.1. Representacón de una funcón booleana en el espaco B n. Los n-cubos representan a las funcones booleanas, en espacos n-dmensonales dscretos, como un subconjunto de los vértces
Más detalles1 EY ( ) o de E( Y u ) que hace que g E ( Y ) sea lineal. Por ejemplo,
Modelos lneales generalzados En los modelos no lneales (tanto en su formulacón con coefcentes fjos o coefcentes aleatoros) que hemos vsto hasta ahora, exsten algunos que se denomnan lnealzables : son modelos
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 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 detallesMODELOS 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 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 detallesLo que nos interesa en el análisis de varianza de una vía es extender el test t para dos muestras independientes, para comparar más de dos muestras.
Capítulo : Comparacón de varos tratamentos o grupos Muchas preguntas de nvestgacón en educacón, pscología, negocos, ndustra y cencas naturales tenen que ver con la comparacón de varos grupos o tratamentos.
Más detallesAnálisis Probit. StatFolio de Ejemplo: probit.sgp
STATGRAPHICS Rev. 4/25/27 Análisis Probit Resumen El procedimiento Análisis Probit está diseñado para ajustar un modelo de regresión en el cual la variable dependiente Y caracteriza un evento con sólo
Más detallesGráficos de flujo de señal
Gráfcos de flujo de señal l dagrama de bloques es útl para la representacón gráfca de sstemas de control dnámco y se utlza extensamente en el análss y dseño de sstemas de control. Otro procedmento alternatvo
Más detallesCada uno da lo que recibe, Y luego recibe lo que da, Nada es más simple, No hay otra norma: Nada se pierde, Todo se transforma.
Cada uno da lo que recbe, Y luego recbe lo que da, Nada es más smple, No hay otra norma: Nada se perde, Todo se transforma. Todo se transforma (Jorge Drexler, cantautor uruguayo) Estadístca Básca - Manuel
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 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 detallesMª Dolores del Campo Maldonado. Tel: :
Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n
Más detallesESTADÍSTICA UNIDIMENSIONAL
ESTADÍSTICA UNIDIMENSIONAL La estadístca undmensonal trata de resumr la nformacón contenda en una tabla que contene nformacón de una sola varable en unos pocos números. Las meddas de poscón pueden ser:
Más detalles6 Impacto en el bienestar de los beneficiarios del PAAM
6 Impacto en el benestar de los benefcaros del PAAM Con el fn de evaluar el efecto del PAAM sobre sus benefcaros, se consderó como hpótess que el Programa ha nfludo en el mejoramento de la caldad de vda
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 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 detallesESTADÍSTICA DESCRIPTIVA
Estadístca descrptva. ESTADÍSTICA DESCRIPTIVA POBLACIÓN Y MUESTRA. VARIABLES ESTADÍSTICAS DISTRIBUCIÓN DE FRECUENCIAS DE UNA MUESTRA AGRUPACIÓN DE DATOS REPRESENTACIONES GRÁFICAS DE LAS MUESTRAS PRINCIPALES
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 detallesObjetivos. Contenidos. Cátedra I Estadística II Autor I Gerardo Heckmann
ANALISIS DE ASOCIACION ENTRE VARIABLES. REGRESION Objetvos Presentar el modelo de regresón lneal smple como herramenta para estmar medas condconales y predecr los valores de una varable en funcón de la
Más detallesEstadística con R. Modelo Probabilístico Lineal
Estadístca con R Modelo Probablístco Lneal Modelo Probablístco Lneal Forma de la funcón: Y b 0 +b 1 X +e Varable dependente, endógena o a explcar dcotómca : Y, S Y 0 e -b 0 - b 1 X con probabldad p. S
Más detallesTema 3: Procedimientos de Constrastación y Selección de Modelos
Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes
Más detallesECUACIONES DIFERENCIALES Problemas de Valor Inicial
DIVISIÓN DE IENIAS FÍSIAS Y MATEMÁTIAS DTO. TERMODINÁMIA Y FENÓMENOS DE TRANSFERENIA MÉTODOS AROXIMADOS EN ING. QUÍMIA TF-33 EUAIONES DIFERENIALES roblemas de Valor Incal Esta guía fue elaborada por: rof.
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 detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más 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 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 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 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 detallesTema 9. Análisis de Varianza de un factor. Análisis de la Varianza (ANOVA) Conceptos generales
Tema 9 Análss de la Varanza (ANOVA) Conceptos generales La técnca del Análss de la Varanza consste en descomponer la varabldad de una poblacón (representada por su varanza) en dversos sumandos según los
Más detallesINTEGRACIÓN DE CENSOS Y ENCUESTAS DE HOGARES DIRECCIÓN GENERAL DE ESTADÍSTICA, ENCUESTAS Y CENSOS PARAGUAY
253 INTEGRACIÓN DE CENSOS Y S DE HOGARES DIRECCIÓN GENERAL DE ESTADÍSTICA, S Y CENSOS PARAGUAY 254 Integracón de Censos y Encuestas de Hogares ANTECEDENTES Con el Censo del 82 se elaboró (en 1991) un Mapa
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 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 detallesAdemás podemos considerar diferentes tipos de medidas de resumen. Entre ellas tenemos:
MEDIDAS DE POSICIÓN Y DISPERSIÓN Estadístca En la clase anteror vmos como resumr la nformacón contenda en un conjunto de datos medante tablas y gráfcos. En esta clase vamos a ver como resumrlos medante
Más detallesPara construir un diagrama de tallo y hoja seguimos los siguientes pasos:
UNIDAD 2: Gráfcos estadístcos Los gráfcos muestran vsualmente y de forma rápda la dstrbucón de los datos y sus prncpales característcas, consttuyen un mportante complemento en la presentacón de la nformacón.
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesPráctica 12 - Programación en C++ Pág. 1. Practica Nº 12. Prof. Dr. Paul Bustamante. Informática II Fundamentos de Programación - Tecnun
Práctca 1 - Programacón en C++ Pág. 1 Práctcas de C++ Practca Nº 1 Informátca II Fundamentos de Programacón Prof. Dr. Paul Bustamante Práctca 1 - Programacón en C++ Pág. 1 INDICE ÍNDICE... 1 1.1 Ejercco
Más detalles1.Variables ficticias en el modelo de regresión: ejemplos.
J.M.Arranz y M.M. Zamora.Varables fctcas en el modelo de regresón: ejemplos. Las varables fctcas recogen los efectos dferencales que se producen en el comportamento de los agentes económcos debdo a dferentes
Más 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 detallesMétodos cuantitativos de análisis gráfico
Métodos cuanttatvos de análss gráfco Método de cuadrados mínmos Regresón lneal Hemos enfatzado sobre la mportanca de las representacones gráfcas hemos vsto la utldad de las versones lnealzadas de los gráfcos
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 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 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 detallesGERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES
GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES PRONÓSTICOS PREDICCIÓN, PRONÓSTICO Y PROSPECTIVA Predccón: estmacón de un acontecmento futuro que
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 detallesConsumo de un estudiante granadino
Consumo de un estudante granadno Trabajo de Econometría 3º de GADE, grupo C María Teresa Penado García Ana Isabel Béjar Pérez Marna Herrero López ÍNDICE Introduccón y varables escogdas para realzar el
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 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 detalles7ª SESIÓN: Medidas de concentración
Curso 2006-2007 7ª Sesón: Meddas de concentracón 7ª SESIÓN: Meddas de concentracón. Abrr el rograma Excel. 2. Abrr el lbro utlzado en las ráctcas anterores. 3. Insertar la Hoja7 al fnal del lbro. 4. Escrbr
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 detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesEL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA
EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de
Más detalles2 Dos tipos de parámetros estadísticos
Dos tpos de parámetros estadístcos Págna 198 1. Calcula la meda, la medana y la moda de cada una de estas dstrbucones estadístcas: a) 4, 5, 6, 6, 6, 6, 7, 11, 1, 17 b), 1, 6, 9,, 8, 9,, 14, c), 3, 3, 3,
Más detallesESTADISTÍCA. 1. Población, muestra e individuo. 2. Variables estadísticas. 3. El proceso que se sigue en estadística
ESTADISTÍCA. Poblacón, muestra e ndvduo Las característcas de una dstrbucón se pueden estudar drectamente sobre la poblacón o se pueden nferr a partr de l estudo de una muestra. Poblacón estadístca es
Más 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 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 detallesEstadística II - Modelos lineales: Ficha nº6 Heterocedasticidad en el modelo de regresión lineal
Estadístca II - Modelos lneales: Fcha nº6 Heterocedastcdad en el modelo de regresón lneal Materal ddáctco para el curso de Estadístca II del Programa de Doctorado en Cenca ocal Tabaré Fernández Aguerre
Más detallesTEMA 8: PRÉSTAMOS ÍNDICE
TEM 8: PRÉSTMOS ÍNDICE 1. CONCEPTO DE PRÉSTMO: SISTEMS DE MORTIZCIÓN DE PRÉSTMOS... 1 2. NOMENCLTUR PR PRÉSTMOS DE MORTIZCIÓN FRCCIOND... 3 3. CUDRO DE MORTIZCIÓN GENERL... 3 4. MORTIZCIÓN DE PRÉSTMO MEDINTE
Más detalles5.0 ESTADÍSTICOS PARA DATOS AGRUPADOS.
5.0 ESTADÍSTICOS PARA DATOS AGRUPADOS. Para organzar los datos a medda que el número de observacones crece, es necesaro condensar más los datos en tablas apropadas, a fn de presentar, analzar e nterpretar
Más detallesINSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA
INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA LABORATORIO 1-008 PRACTICA 4: LEYES DE LOS GASES 1. OBJETIVOS ) Comprobacón expermental de las leyes de los gases. En este caso nos vamos a concentrar en el estudo
Más detallesDATOS AGRUPADOS POR INTERVALOS DE CLASE
3. Datos agrupados por ntervalo (Varable contnua) Generalmente los datos se agrupan por medo de ntervalos de clase, los cálculos son una aproxmacón a la realdad, se faclta los cálculos. En la agrupacón
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 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 detallesNOMBRE Apellido Paterno Apellido Materno Nombre(s) Porcentaje de defectos producidos Máquina Porcentaje de producción
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PRIMER EAMEN FINAL RESOLUCIONES
Más detallesTema 6 El mercado de bienes y la función IS
Tema 6 El mercado de benes y la funcón IS Macroeconomía I Sánchez Curso 2008-09 Bblografía para preparar este tema Apuntes de clase Capítulo 5, Macroeconomía, O. Blanchard, pp. 81-100 Objetvo del tema
Más detalles1 + e z. 1 + e. 1 + e = 1 0 2
Tema 7. Regresón Logístca Pedro Larrañaga, Iñak Inza, Abdelmalk Moujahd Departamento de Cencas de la Computacón e Intelgenca Artfcal Unversdad del País Vasco Euskal Herrko Unbertstatea 7. Introduccón En
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 detalles