Departamento de Estadística e Investigación Operativa Aplicadas y Calidad. Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V.
|
|
- Óscar Alfonso Castillo Ramos
- hace 6 años
- Vistas:
Transcripción
1 Departamento de Estadística e Investigación Operativa Aplicadas y Calidad Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V. ECONOMETRÍA CONVOCATORIA ORDINARIA - 18/01/2007 NOMBRE Y APELLIDOS NORMAS PARA EL EXAMEN ' Sobre la mesa sólo puede estar el examen, el formulario, la calculadora y los útiles de escritura. ' Cada ejercicio se responderá en el espacio libre que hay antes de la próxima pregunta y en las caras de detrás, debiendo quedar claro el desarrollo realizado y resaltada convenientemente la respuesta. ' No se puede desgrapar el examen ni utilizar hojas sueltas como borrador. ' La puntuación de cada ejercicio esta situada al final del correspondiente enunciado.
2 18/01/ P1 Se dispone del número de muertos y del número de accidentes de automóvil ocurridos en España, observados trimestralmente desde el primer trimestre de 1999 y teniendo en cuenta si el accidente se producía en carretera o en un desplazamiento urbano. Los ajustes que aparecen en las siguientes tablas se han realizado utilizado la variable LUGAR, que es una variable ficticia que indica si el accidente se produjo en carretera, VICTIMASM que es el número de personas muertas y ACC10000 que es el número de accidentes producidos menos De acuerdo a los modelos propuestos responder justificadamente a las siguientes preguntas (α=0'05): a) El lugar donde se produce el accidente, casco urbano o carretera, no tiene importancia en la relación entre el número de muertos y el número de accidentes. (0'7p) b) El número de muertos por accidente en el caso urbano es menor que el número de muertos por accidente en carretera.(0'4p) c) La diferencia del numero medio de muertos en accidente de carretera respecto a los urbanos es de 1000 personas cuando hay accidentes en un trimestre.(0'4p) Multiple Regression Analysis TABLA P.1_I VICTIMASM=β 0 +β 1 LUGAR+β 2 ACC10000+β 3 LUGAR*ACC10000+U Dependent variable: VICTIMASM Standard T Parameter Estimate Error Statistic P-Value CONSTANT 155,921 17,2791 9, ,0000 LUGAR 933,576 46, ,2754 0,0000 ACC , , , ,0000 LUGAR*ACC , , ,7269 0,0000 Analysis of Variance TABLA P.1_II VICTIMASM=β 0 +β 1 LUGAR+β 2 ACC10000+β 3 LUGAR*ACC10000+U Source Sum of Squares Df Mean Square F-Ratio P-Value Model 2,75057E ,0 1633,45 0,0000 Residual 65111, ,303 Total (Corr.) 2,81569E6 119 Analysis of Variance TABLA P.1_III VICTIMASM=γ 0 +γ 1 ACC10000 Source Sum of Squares Df Mean Square F-Ratio P-Value Model , ,0 40,05 0,0000 Residual 1,24729E ,3 Total (Corr.) 1,67067E6 119 a) El lugar donde se produce el accidente, casco urbano o carretera, no tiene importancia en la relación entre el número de muertos y el número de accidentes. Para comprobar si el lugar del accidente tiene importancia en la relación entre el número de muertos y el número de accidentes debemos realizar una prueba de hipótesis para un conjunto de parámetros en el modelo de la TABLA P.1_I. VICTIMASM'β 0 %β 1 LUGAR%β 2 ACC10000%β 3 LUGAR(ACC10000%U En este modelo, los parámetros β 1 y β 3 miden las diferencias entre los promedios de accidentes urbanos y de carretera. El primero mide la diferencia de número promedio de muertos cuando hay accidentes, del caso de carretera respecto al urbano. El segundo mide la diferencia de número
3 18/01/ promedio de muertos por accidente del caso de carretera respecto al urbano. Si ambos fueran cero eso querría decir que no hay diferencias entre las dos situaciones. Para responder se realizará la prueba para un conjunto de parámetros, con los datos disponibles en la TABLA P.1_II y TABLA P.1_III. H 0 β 1 = β 3 =0; el lugar de accidente no influye en la relación entre el número de muertos y el de accidentes. H 1 al menos un parámetro es distinto de cero; el lugar de accidente influye en la relación entre el número de muertos y el de accidentes. La prueba es F calc ' SCR/s SCR c /(n&k&1) /F s,n&k&1 F calc ' (1) &65111 ) 1)/2 '1053 ) ) 303 F s,n&k&1 'F 2,116 ; F 0) 05 2,116 '3) 07 Como F calc '1053 ) 06>F 0) '3) 07se rechaza la hipótesis nula y se acepta que el lugar de accidente influye en la relación entre el número de muertos y el de accidentes. b) El número de muertos por accidente en el caso urbano es menor que el número de muertos por accidente en carretera. El parámetro β 3 permite responder a la pregunta, ya que cuantifica la diferencia del número de muertos por cada accidente en el caso de accidente de carretera respecto al de casco urbano. Para ello realizaremos la prueba t para determinar si es cero, y si es el caso, su signo. Lo más cómodo es utilizar el P-value para realizar la prueba t en la TABLA P.1_II. H 0 β 3 = 0 H 0 β 3 0 Como P-value = 0'0000 < 0'05 se debe rechazar la hipótesis nula y aceptar que el parámetro es significativo, b 3 =0, muertos/accidente, y el número de muertos por accidente es diferente en ambos casos. Dado que b 3 es positivo, el número de muertos por accidente en carretera es mayor que en el caso urbano. Habría que añadir que considerablemente superior, ya que la diferencia es muy grande si la comparamos con el promedio del número de muertos por cada accidente en el caso urbano, 0' El promedio del número de muertos por accidente en carretera es de 0' '100496=0'113899, casi 9 veces mayor. c) La diferencia del numero medio de muertos en accidente de carretera respecto a los urbanos es de 1000 personas cuando hay accidentes en un trimestre. El parámetro β 1 permite responder a la pregunta, ya que cuantifica la diferencia del número de muertos cuando se producen accidentes en el caso de accidente de carretera respecto al de casco urbano. Realizaremos la prueba t para determinar si puede valer 1000 muertos. H 0 β 1 = 1000 H 0 β t calc ' b 1 &1000 /t s gdlr b1 Utilizamos los resultados de la TABLA P.1_II. si *t calc *#t α/2 gdlr se acepta H 0, t calc ' 933) 576&1000 '1 ) 44 con t con gdlr=116, y 46 ) calc /t gdlr t 0) '1 ) Como # t calc # =1'44 < t 0) '1 ) 9806 se acepta H 0, y por lo tanto es admisible que cuando se producen accidentes, la diferencia del número de muertos en carretera respecto a los urbanos sea de 1000 personas.
4 18/01/ P2 Describe las principales características de la serie temporal trimestral CONSUMO FINAL EN LOS HOGARES y determina las transformaciones que son necesarias para conseguir que la serie sea estacionaria. (1'5p) (X 10000) 10 CONSUMOFH 1 0,6 FAS de CONSUMOFH 9 0,2 8-0,2 7-0,6 6 Q1/95 Q1/96 Q1/97 Q1/98 Q1/99 Q1/00 Q1/01 Q1/02 Figura P.2_I Retardo Figura P.2_II Características principales: Tendencia. En el gráfico de la serie (Figura P.2_I) puede observarse que el consumo final en los hogares aumenta, en promedio, con el tiempo, por lo que la variable tiene tendencia positiva. En la FAS de la serie (Figura P.2_II) se observa un decrecimiento lineal de los coeficientes de autocorrelación simple, señal de que la variable tiene tendencia. Estacionalidad En el gráfico de la serie (Figura P.2_I) puede observarse una oscilación que se repite cada año en todos los años, con un mínimo en el primer trimestre y un máximo en el cuarto (cuesta de Enero y Navidad, respectivamente), por lo que puede admitirse la existencia de estacionalidad de periodo 4. La estacionalidad no se observa en la FAS, ya que se esperaría ver que el cuarto coeficiente de autocorrelación simple fuera significativo, y no lo es. Tal vez la tendencia sea muchos más importante que la estacionalidad y por ello no aparece. Ciclos No se aprecia una oscilación de duración superior a un año, por lo que se admitirá que no existen ciclos. Varianza La variabilidad es aproximadamente la misma en todos los años, por lo que puede considerarse constante. Esto puede verse en que la diferencia entre el consumo mayor y menor en cada año es bastante similar. O bien es posible englobar a la serie en una franja de ancho constante. Transformaciones para la estacionariedad En el punto anterior se ha admitido la existencia de tendencia y estacionalidad, lo que lleva a que la media de la variable no es constante y que por lo tanto no es estacionaria. Las transformaciones que deben aplicarse para conseguir la estacionariedad de la variable son diferencias regulares y estacionales. Dado que el consumo final en los hogares tiene tendencia, y que parece ser lineal, con una diferencia regular será suficiente. Dado que la variable es estacional, en principio con una diferencia estacional de periodo 4 será suficiente para eliminar la estacionalidad. Una vez realizadas las dos transformaciones, se espera que la nueva serie sea estacionaria.
5 18/01/ P3 Se desea explicar el precio de los áticos en la ciudad de Valencia a partir de su superficie útil y del número de dormitorios y de baños de la vivienda. Para ello se dispone de datos relacionados con un cierto número de áticos en venta, lo cual permite crear las siguientes variables: 1. PRECIO, precio del ático en euros 2. SUPERFICIE, superficie útil de la vivienda menos 25, medida en metros cuadrados 3. HABITACIONES, número de dormitorios menos uno, medidos en unidades 4. BAÑOS, número de baños menos uno, medidos en unidades a) Proponer el modelo lineal más simple posible con las variables propuestas y explicar el significado de sus parámetros. (0'7p) b) Estimado el modelo, el resultado se encuentra en la Tabla P3.1. Comentar el significado de la estimación de los parámetros del modelo ajustado finalmente, tras eliminar aquellos que no eran significativos. (0'6p) c) Calcular el coeficiente de determinación, explicar su significado y comentar su valor (0'2p) d) Determinar que el modelo ajustado tiene problemas de heterocedasticidad. Justificar la respuesta mediante una prueba de hipótesis, indicado las hipótesis realizadas (nula y alternativa), el proceso seguido en la prueba, la hipótesis que se acepta y la variable explicativa causante de la heterocedasticidad. (1'0p) e) Determinar el tipo de relación existente entre la desviación típica del error y la variable explicativa causante de la heterocedasticidad. Proponer el modelo transformado libre de la heterocedasticidad. (1'0p) a) Proponer el modelo lineal más simple posible con las variables propuestas y explicar el significado de sus parámetros. El modelo más simple con las variables propuestas sería el siguiente: PRECIO'β 0 %β 1 SUPERFICIE%β 2 HABITACIONES%β 3 BAÑOS%U El significado de los parámetros sería el siguiente: β 0 β 1 β 2 β 3 Promedio del precio de un ático de 25 m 2 con un dormitorio y un baño Incremento del promedio del precio de un ático por cada metro cuadrado de superficie, dado un número de dormitorios y baños. Incremento del promedio del precio de un ático por cada dormitorio, dada una superficie habitable y número de baños. Incremento del promedio del precio de un ático por cada baño, dada una superficie habitable y número de dormitorios. b) Estimado el modelo, el resultado se encuentra en la Tabla P.3_1. Comentar el significado de la estimación de los parámetros del modelo ajustado finalmente, tras eliminar aquellos que no eran significativos. Dado que todos los P-Valor de la Tabla P.3_1 son inferiores a 0'05, pueden admitirse las estimaciones realizadas de los diferentes parámetros.
6 18/01/ Análisis de Regresión Múltiple TABLA P.3_I Variable dependiente: PRECIO Error Estadístico Parámetro Estimación estándar T P-Valor CONSTANTE , ,8 2, ,0174 BAÑOS , ,2 2, ,0273 SUPERFICIE 2474,16 922,164 2,683 0,0125 Análisis de Varianza Fuente Suma de cuadrados GL Cuadrado medio Cociente-F P-Valor Modelo X X 3,61993E11 17,83 0,0000 Residuo X 26 2,02988E10 Total (Corr.) 1,25175E12 28 R-cuadrado = X R-cuadrado (ajustado para g.l.) = X Análisis de Regresión Múltiple TABLA P.3_II Variable dependiente: RESIDUOS^2 Error Estadístico Parámetro Estimación estándar T P-Valor CONSTANTE -5,47113E10 3,27492E10-1, ,1073 SUPERFICIE 8,8913E8 3,52538E8 2, ,0184 HABITACIONES 7,66104E9 1,29718E10 0, ,5601 BAÑOS -2,1827E10 2,18101E10-1, ,3265 Análisis de Varianza Fuente Suma de cuadrados GL Cuadrado medio Cociente-F P-Valor Modelo 2,66428E22 3 8,88092E21 3,26 0,0383 Residuo 6,81687E ,72675E21 Total (Corr.) 9,48114E22 28 El promedio del precio de un ático de 25 m 2 con un baño es de '0 euros (sea cual sea el número de dormitorios). El incremento promedio del precio de un ático por cada metro cuadrado de superficie es de 2474'16 euros, dado un número de baños. El incremento promedio del precio de un ático por cada baño es de '0 euros, dada una superficie habitable. c) Calcular el coeficiente de determinación, explicar su significado y comentar su valor. Según la Tabla P.3_I, SCT=1'25175E12, y SCE=3'61993E11*2=7'23986E11, ya que el modelo tiene 2 variables explicativas. Por lo tanto R 2 =7'23986E11/1'25175E12=0' El 57'84% de la variabilidad del precio de los áticos se explica por el modelo propuesto. Esta valor es bastante pequeño, y sería necesario más variables para aumentar el valor y conseguir un modelo mejor.
7 18/01/ Análisis de Regresión Múltiple TABLA P.3_III Variable dependiente: RESIDUOS^2 Error Estadístico Parámetro Estimación estándar T P-Valor CONSTANTE -5,71969E10 2,69056E10-2, ,0428 SUPERFICIE 7,59986E8 2,53615E8 2, ,0058 R-cuadrado (ajustado para g.l.) = 22,1783 porcentaje CONSTANTE -1,87587E10 1,48452E10-1, ,2172 SUPERFICIE^2 3,28375E6 1,02357E6 3, ,0034 R-cuadrado (ajustado para g.l.) = 24,9169 porcentaje CONSTANTE -4,45576E9 1,18451E10-0, ,7097 SUPERFICIE^ ,4 4951,45 3, ,0040 R-cuadrado (ajustado para g.l.) = 24,1559 porcentaje d) Determinar que el modelo ajustado tiene problemas de heterocedasticidad. Justificar la respuesta mediante una prueba de hipótesis, indicado las hipótesis realizadas (nula y alternativa), el proceso seguido en la prueba, la hipótesis que se acepta y la variable explicativa causante de la heterocedasticidad. Para determinar si existe heterocedasticidad, se propondrá un modelo y se realizará el ajuste de la varianza del error (cuadrado del residuo) frente a todas las variables explicativas disponibles. e 2 'γ 0 %γ 1 SUPERFICIE%γ 2 HABITACIONES%γ 3 BAÑOS%U Los resultados del ajuste se encuentran el la Tabla P.3_II, y la prueba sería la siguiente: H 0 γ i =0 œi$1 º La varianza del error no depende de ninguna variable explicativa. No existe heterocedasticidad H 1 al menos un γ i es distinto de cero º La varianza del error si depende de al menos una variable explicativa. Si existe heterocedasticidad Utilizando el P-Valor de la tabla P.3_II se tiene que P-Valor=0'0383<0'05 y por lo tanto debe rechazarse H 0 y aceptarse que existe heterocedasticidad. La variable explicativa causante de la heterocedasticidad se encuentra examinando los P-Valores de la estimación de los parámetros en la propia Tabla P.3_II. En ella se tiene que únicamente el P-valor del parámetro que acompaña a superficie es menor que 0'05, P-Valor=0'0184<0'05, por lo que la heterocedasticidad puede ser atribuida a la superficie del ático. e) Determinar el tipo de relación existente entre la desviación típica del error y la variable explicativa causante de la heterocedasticidad. Proponer el modelo transformado libre de la heterocedasticidad. Para determinar la relación entre la desviación típica del error y la superficie del ático, se utiliza el siguiente modelo, probando diferentes valores de h (1, 2,..., -1, -2,..., ½, 1/3,...): e 2 'δ 0 %δ 1 SUPERFICIE h %U
8 18/01/ Los cálculos se encuentran en la Tabla P.3_III, de la se debe señalar que todos los P-Valor de los parámetros que acompañan a la potencia de superficie son menores que 0'05, señalando a dicha potencia como explicativa de la varianza del error. Para determinar el mejor modelo hay que observar el valor del coeficiente de determinación corregido, que tiene un valor inicial de 22'1783% cuando h=1, aumenta a 24'9169% cuando h=2, y disminuye a 24'1559% cuando h=3. De los resultados se deduce que el mayor coeficiente de determinación corregido se produce cuando h=2, y por lo tanto la varianza del error depende del cuadrado de la superficie del ático, o bien que la desviación típica depende de la superficie del ático. Para obtener un modelo libre de heterocedasticidad se debe dividir el mismo por la desviación típica del error, que en este caso es proporcional a la superficie. Se divide el modelo por la superficie del ático. PRECIO SUPERFICIE 'β 0 1 SUPERFICIE %β 1 %β 3 BAÑOS SUPERFICIE % U SUPERFICIE
9 18/01/ P4 Se desea proponer un modelo ARIMA para predecir el número de accidentes de automóvil en España. Para ello se dispone del número accidentes producidos desde Enero de 1999 hasta Noviembre de Observado el gráfico de la serie, se ha decidido tomar dos diferencias regulares y una estacional para poder convertirla en estacionaria. Atendiendo a la FAS y FAP resultantes, un modelo (0,2,2)(0,1,1) 12 parece ser el más indicado. a) Expresión del modelo ajustado en notación de retardos. (0'2p) b) Verificar si son significativos los parámetros del modelo. (0'8p) c) Determinar si el residuo es un ruido blanco, detallando todas las pruebas de hipótesis realizadas para la comprobación. (2'5p) Periodo Periodo TABLA P.4_I Estadístico Estimación Validación ME -48,3683 MPE -1,10493 Resumen del Modelo ARIMA TABLA P.4_II Parámetro Estimación Error Estd. t P-Valor MA(1) 1, , ,7418 X MA(2) -0, , ,934 X SMA(1) 0, , ,25374 X Predicción hacia atrás: si Varianza de ruido blanco estimada = ,0con X grados de libertad Desviación típica del ruido blanco estimado = 423,099 a) Expresión del modelo ajustado en notación de retardos. El modelo ajustado, a falta de determinar si los parámetros son significativos, sería: (1&B) 2 (1&B 12 )Accidentes t ' (1&1 ) 86014B%0 ) 87648B 2 ) (1&0 ) 4429B 12 )ε t b) Verificar si son significativos los parámetros del modelo. Para determinar si los parámetros son significativos realizaremos la siguiente prueba de hipótesis H 0 ψ i = 0 H 1 ψ i 0 t calc ' ˆψ i s fi /t gdlr si t calc #t α/2 gdlr se acepta H 0, o bien si P-Value $α se acepta H 0 Los valores necesarios para realizar la prueba se encuentran en la TABLA P.4_II. En este caso se debe realizar la prueba basándose en el estadístico t. Para poder realizar la prueba es necesario conocer los grados de libertad del error, gdlr=[(4*12+11)-2-1*12]-3=45-3=42, ya que en todos los casos se trata de una t 42. Si se miran las tablas de la t, t 42 0'025 = 2'018 Parámetro θ 1 : H 0 θ 1 =0 H 1 θ 1 0 El estadístico calculado tiene como valor 82'7418. Como # t clac # =82'7418 > t 42 0'025 = 2'018 se rechaza H 0 y se acepta que θ 1 es significativo, con valor θ 1 = 1'86014.
10 18/01/ ,6 0,2-0,2-0,6 FAS de residuos ARIMA(0,2,2)x(0,1,1) Retardo 1 0,6 0,2-0,2-0,6 FAP de residuos ARIMA(0,2,2)x(0,1,1) Retardo PAPEL NORMAL de residuos ARIMA(0,2,2)x(0,1,1)12 99, , Residuos Figura P4.I Figura P4.II Figura P4.III Análisis de Regresión Múltiple TABLA P.4_III Variable dependiente: RESID_022011^2 Error Estadístico Parámetro Estimación estándar T P-Valor CONSTANTE , ,0 2, ,0360 ACCIDENTES -49, ,0475-1, ,1516 Análisis de Regresión Múltiple TABLA P.4_IV Variable dependiente: RESID_022011^2 Error Estadístico Parámetro Estimación estándar T P-Valor CONSTANTE -755, ,0-0, ,9940 Tiempo 4376, ,32 1, ,0956 Parámetro θ 2 : H 0 θ 2 =0 H 1 θ 2 0 El estadístico calculado tiene como valor -41'934. Como # t clac # =41'934 > t 42 0'025 = 2'018 se rechaza H 0 y se acepta que θ 2 es significativo, con valor θ 2 = -0' Parámetro Θ 1 : H 0 Θ 1 =0 H 1 Θ 1 0 El estadístico calculado tiene como valor 3, Como # t clac # =3,25374 > t 42 0'025 = 2'018 se rechaza H 0 y se acepta que Θ 1 es significativo, con valor Θ 1 = 0' a) Determinar si el residuo es un ruido blanco, detallando todas las pruebas de hipótesis realizadas para la comprobación. Para que el error sea un ruido blanco se deben cumplir las siguientes cuatro condiciones: 1) E(ε t )=0 2) Var(ε t )=cte 3) Cov(ε t,ε t-k )=0 4) Distribución normal de ε t A continuación realizamos las pruebas para comprobar cada una de las condiciones:
11 18/01/ ) E(ε t )=0 se utiliza la prueba ya conocida: H 0 E(ε t )=0 H 1 E(ε t ) 0 Si ε 0 [&z ˆσ α/2 ε, z ˆσ α/2 ε ] entonces se acepta H 0. T T Los valores para realizar la prueba los encontramos en distintas tablas ε = ME = -48'368 (TABLA P.4_I) ˆσ ε = 423'099 (TABLA P.4_II) T = 4* x12= 45 Z 0'025 =1'96 Tabla de la Normal tipificada z "/2 $F, / T = 1'96 423'099/ o45 =123'684 como el valor medio del residuo -48'368 pertenece a la región de aceptación de la prueba, [-123'684,123'684], se debe aceptar que el valor medio del error es cero ( H 0 ) 2) Var(ε t )=cte Si la varianza (cuadrado del residuo) no depende ni del tiempo ni del número de accidentes se podrá admitir que la varianza del error es constante. Para determinar si la varianza del error es constante se deben realizar los ajustes por regresión del residuo al cuadrado frente al tiempo y frente a la propia variable estudiada En la TABLA P.4_III se presentan los resultados del ajuste del cuadrado de los residuos frente al número de accidentes. El P-Valor del parámetro que acompaña a accidentes es de 0'1516, y como P- Valor=0'1516>0'05 debería admitirse que la varianza del error no depende de la variable estudiada. En la P.4_IV se presentan los resultados del ajuste del cuadrado de los residuos frente al tiempo. El P-Valor del parámetro que acompaña al tiempo es de 0'0956. Como P-Valor=0'0956>0'05 debería admitirse que la varianza del error no depende del tiempo. Dado que la varianza del error no depende ni del tiempo ni de la propia variable estudiada, se puede admitir que la varianza del error es constante y que no existe heterocedasticidad. 3) Cov(ε t,ε t-k )=0 El error no debe estar correlacionado consigo mismo. Para comprobar esto debemos observar la FAS de los residuos (Fig.P.4_I) y también la FAP (Fig.P.4_II). En ambos gráficos se observa que ningún coeficiente de autocorrelación sobrepasa la línea de la prueba de hipótesis para saber si son significativos, por lo que ningún coeficiente de autocorrelación simple o parcial es distinto de cero y se debe aceptar la incorrelación del error. 4) Distribución normal En la Fig.P.4_III se presenta el papel probabilístico normal de los residuos. Dado que los residuos aparecen más o menos alineados, es posible admitir que el error tiene distribución normal. Como se cumplen las cuatro condiciones, valor medio cero, varianza constante, incorrelación y distribución normal del error, se debe admitir que el error es un ruido blanco.
Estadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesTEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Más detallesEstadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 5
Estadística Industrial Universidad Carlos III de Madrid Series temporales Práctica 5 Objetivo: Análisis descriptivo, estudio de funciones de autocorrelación simple y parcial de series temporales estacionales.
Más detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
Más detallesCorrelación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)
Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre
Más detallesANALISIS DE LA ESTATURA
ANALISIS DE LA ESTATURA OBJETIVO El objetivo de este trabajo es realizar un estudio de la de distintos individuos. DATOS Se realizan los distintos análisis de regresión simple, así como el análisis de
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso Septiembre Primera Parte
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 13 - Septiembre - 2.004 Primera Parte Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
Más detallesENUNCIADOS DE PROBLEMAS
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I 22 de Septiembre de 2007 ENUNCIADOS DE PROBLEMAS Muy importante: Tenga en cuenta que algunos resultados de las tablas han podido ser omitidos. PROBLEMA 1:
Más detallesCUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES
TUTORÍA DE INTRODUCCIÓN A LA ESTADÍSTICA (º A.D.E.) CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES 1º) Qué ocurre cuando r = 1: a) Los valores teóricos no
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesTODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis
TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:
Más detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Aniel Nieves-González () LSP 1 / 16 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por departamento. La v.a. dependiente
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesEjercicio Heterocedasticidad_2
Ejercicio heterocedasticidad 2. 1 Ejercicio Heterocedasticidad_2 Tengamos los siguientes datos de los beneficios (B i ) y ventas (V i ) de 20 empresas: obs B V 1 13,2 61 2 15 78 3 22,2 158 4 15,2 110 5
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Metodología Box-Jenkins Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación elaborada
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL
ANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL Msc. Lácides Baleta Octubre 16 Página 1 de 11 REGRESIÓN Y CORRELACIÓN LINEAL Son dos herramientas para investigar la dependencia de una variable dependiente Y
Más detallesGráfico 1: Evolución del exceso de rentabilidad de la empresa y de la cartera de mercado
Caso 1: Solución Apartado a) - 2 0 2 4 6 0 2 0 4 0 6 0 8 0 1 0 0 p e r i o d E x c e s s r e t u r n, c o m p a n y a e x c e s s r e t u r n m a r k e t p o r t f o l i o Gráfico 1: Evolución del exceso
Más detallesUniversidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia
Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.
Más detallesEstadísticas Pueden ser
Principios Básicos Para iniciar en el curso de Diseño de experimentos, es necesario tener algunos conceptos claros en la parte de probabilidad y estadística. A continuación se presentan los conceptos más
Más detallesEconometría dinámica y financiera
Econometría dinámica y financiera Introducción a la econometría financiera. Modelos ARCH Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Introducción Los modelos que hemos visto son lineales
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesGuía breve de análisis de series temporales unidimensionales con Gretl
Guía breve de análisis de series temporales unidimensionales con Gretl 1. Pasos a seguir 1. Representación de la serie temporal (Variable Gráfico de series temporales). 2. Serie temporal no estacionaria
Más detallesRegresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
Más detallesEjercicio 1 (20 puntos)
ESTADISTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES. Examen Montevideo, 15 de diciembre de 2015. Nombre: C.I.: EXAMEN Libre Reglamentado El examen consta de dos partes. La primera parte debe ser realizada
Más detallesMODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.
UNIVERSIDAD NACIONAL ABIERTA ESTADÍSTICA GENERAL 745) VICERRECTORADO ACADÉMICO INTEGRAL ÁREA DE MATEMÁTICA Fecha: 17/ 01 /009 MODELO DE RESPUESTAS Objetivos, 3, 4, 5, 6, 7, Y 8. OBJ. 1 PTA 1 Una compañía
Más detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detallesUniversidad Rafael Belloso Chacín (URBE) Cátedra: Fundamentos de Estadística y Simulación Básica Semestre Profesor: Jaime Soto
Universidad Rafael Belloso Chacín (URBE) Cátedra: Fundamentos de Estadística y Simulación Básica Semestre 2011-1 Profesor: Jaime Soto PRUEBA DE HIPÓTESIS Ejemplo El jefe de la Biblioteca de la URBE manifiesta
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 22 - Diciembre - 2.006 Primera Parte - Test Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
Más detallesEjemplo 6.2. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 6.2 Inferencia en el Modelo de Regresión Lineal General Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia
Más detallesElaboró: Luis Casas Vilchis
Correlación de Pearson (r P, r) Una correlación se define como la coincidencia en el patrón de valores altos de una variable con los valores altos en la otra variable, y bajos con bajos y moderados con
Más detallesRegresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A
Regresión lineal REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL MÚLTIPLE N A Z IRA C A L L E J A Qué es la regresión? El análisis de regresión: Se utiliza para examinar el efecto de diferentes variables (VIs
Más detallesTEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
Más detallesPronósticos Automáticos
Pronósticos Automáticos Resumen El procedimiento de Pronósticos Automáticos esta diseñado para pronosticar valores futuros en datos de una serie de tiempo. Una serie de tiempo consiste en un conjunto de
Más detalles= 134, 5 Tercer cuartil: Q 3 = Pueden considerarse normales. =2 P 10 = 118 horas. f(x) =
SOLUCIONES AL EXAMEN DE MÉTODOS ESTADÍSTICOS 2 0 ITIE. 19 /01/2009 1. X = 132, 25 Mediana: M e = 134 + 135 2 = 134, 5 Tercer cuartil: Q 3 = 140 + 141 2 = 140, 5 11 288 12 11267 13 04566 14 0127 15 12 Pueden
Más detallesMotivación. Motivación PRONOSTICOS DE DEMANDA
4 PRONOSTICOS DE DEMANDA Dr. Jorge Ibarra Salazar Profesor Asociado Departamento de Economía Tecnológico de Monterrey Motivación Estudio de los métodos para pronosticar las ventas a partir de datos observados.
Más detallesMáster en comunicaciones. Clase 2. Modelos predictores.
Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de
Más detallesSéptima Entrega. New Workfile Daily (5 days week) 1:1:1991 a 2:16:1998. File Import Read Text Lotus Excel
Prácticas de la asignatura Series Temporales Séptima Entrega 1 Modelos de heterocedasticidad condicional A partir de la decada de los 80, muchos investigadores se han dedicado al estudio de modelos no
Más detallesEl Modelo de Regresión Lineal
ECONOMETRÍA I El Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Regresión Lineal Simple 2. Regresión Lineal Múltiple 3. Multicolinealidad 4. Heterocedasticidad 5. Autocorrelación 6. Variables
Más detallesSPSS Aplicación práctica: Base de datos del HATCO
Aplicación práctica: Base de datos del HATCO Datos: observaciones de variables obtenidos desde encuentas a clientes de un distribuidor industrial. Variables de interés en la aplicación: Percepciones de
Más detallesPrueba de hipótesis para la diferencia de medias
Estadística Técnica Prueba de hipótesis para la diferencia de medias Cladera Ojeda, Fernando Conceptos previos Inferencia estadística Población Muestra Parámetro Estadístico Hipótesis estadística Pruebas
Más detallesEjercicio 1(10 puntos)
ESTADISTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES. Segundo Parcial Montevideo, 4 de julio de 2015. Nombre: Horario del grupo: C.I.: Profesor: Ejercicio 1(10 puntos) La tasa de desperdicio en una empresa
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesHoja de Ejercicios 3 El modelo de regresión lineal múltiple
Hoja de Ejercicios 3 El modelo de regresión lineal múltiple Nota: En aquellos ejercicios en los que se incluyen estimaciones y referencia al archivo de datos utilizado, el estudiante debería comprobar
Más detallesMODELO ECONOMÉTRICO. José María Cara Carmona. Adrián López Ibáñez. Explicación del desempleo
José María Cara Carmona Adrián López Ibáñez MODELO ECONOMÉTRICO Explicación del desempleo Desarrollaremos un modelo econométrico para intentar predecir el desempleo. Trataremos los diversos problemas que
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesCurso de Predicción Económica y Empresarial Edición 2004
Curso de Predicción Económica y Empresarial www.uam.es/predysim Edición 2004 UNIDAD 3: MODELOS ARIMA La identificación del modelo a partir de la fac y facp Tal y como se ha señalado, para identificar el
Más detallesTribunal de la Oposición al Cuerpo Superior de Estadísticos del Estado
Tribunal de la Oposición al Cuerpo Superior de Estadísticos del Estado Pruebas selectivas para el ingreso en el Cuerpo Superior de Estadísticos del Estado. Orden ECC/1517/2015, de 16 de Julio (BOE 27/07/2015).
Más detallesPRÁCTICA 3. REGRESIÓN LINEAL SIMPLE CON SPSS Ajuste de un modelo de regresión lineal simple Porcentaje de variabilidad explicado
PÁCTICA 3. EGESIÓN LINEAL SIMPLE CON SPSS 3.1. Gráfico de dispersión 3.2. Ajuste de un modelo de regresión lineal simple 3.3. Porcentaje de variabilidad explicado 3.4 Es adecuado este modelo para ajustar
Más detallesSOLUCIÓN EXAMEN IV Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/2004
Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/004 MÉTODOS ESTADÍSTICOS I EXAMEN IV PARTE I: Encierre con un círculo la respuesta correcta (0,5 puntos c/u): 1. (V F) Los contrastes de hipótesis de dos muestras
Más detallesHipótesis en el modelo de regresión lineal por Mínimos Cuadrados Ordinarios
Hipótesis en el modelo de regresión lineal por Mínimos Cuadrados Ordinarios Apellidos, nombre Chirivella González, Vicente (vchirive@eio.upv.es) Departamento Centro Estadística e Investigación Operativa
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA
www.jmontenegro.wordpress.com UNI ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA PROF. JOHNNY MONTENEGRO MOLINA Objetivos Desarrollar el concepto de estimación de parámetros Explicar qué es una
Más detallesEstadística. Convocatoria ordinaria
Estadística. Convocatoria ordinaria Nombre Número de Examen Titulación... Grupo... Este examen puntúa sobre 20 puntos Problema 1. En un grupo de familias, un 10% ha cambiado de coche y también ha cambiado
Más detallesPRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI
PRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI 2014 Para qué es útil la estadística inferencial? Se utiliza para probar hipótesis y generalizar los resultados obtenidos en la muestra a la población o universo.
Más detallesCálculo de la tasa predeterminada de los costos indirectos de fabricación aplicados utilizando un modelo de regresión lineal.
Cálculo de la tasa predeterminada de los costos indirectos de fabricación aplicados utilizando un modelo de regresión lineal. Luis Oswaldo Rodríguez Mañay 1, Mary Saltos Chacán 2, Enrique Rafael Muñoz
Más detallesAnálisis de la varianza ANOVA
Estadística Básica. Mayo 2004 1 Análisis de la varianza ANOVA Francisco Montes Departament d Estadística i I. O. Universitat de València http://www.uv.es/~montes Estadística Básica. Mayo 2004 2 Comparación
Más detallesANÁLISIS DE LA VARIANZA CON UN FACTOR (ANOVA)
ANÁLISIS DE LA VARIANZA CON UN FACTOR (ANOVA) El análisis de la varianza permite contrastar la hipótesis nula de que las medias de K poblaciones (K >2) son iguales, frente a la hipótesis alternativa de
Más detallesUNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 8
UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 8 DOCENTE: Ing. Patricio Puchaicela ALUMNA: Andrea C. Puchaicela G. CURSO: 4to. Ciclo de Electrónica y Telecomunicaciones AÑO
Más detallesExamen de Grado Sección de Econometría Agosto y se obtienen los siguientes resultados. Observe que parte de la información ha sido omitida.
Examen de Grado Sección de Econometría Agosto 2015 Pregunta 1. (40 puntos). Suponga que estamos interesados en determinar cuáles características del colegio y/o del hogar determinan el resultado de una
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesTema 5: Planteamiento de los modelos de series temporales. Coro Chasco Yrigoyen Universidad Autónoma de Madrid (UAM) Asignatura: Econometría II
Tema 5: Planteamiento de los modelos de series temporales Coro Chasco Yrigoyen Universidad Autónoma de Madrid (UAM) Asignatura: Econometría II 1 Parte II. Modelos univariantes de series temporales Tema
Más detallesEXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 2005 Prof. Rafael de Arce
EXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 005 Prof. Rafael de Arce NOMBRE: DNI: PARTE I.- TEST 1. La hipótesis de rango pleno en el MBRL supone: Que las variables explicativas no tengan ninguna
Más detallesQué hacemos cuando la distribución no es normal? Qué significa ser normal? Qué significa ser normal? 1er. Simposio Metodología Seis Sigma
er. imposio Metodología eis igma Resumen Qué hacemos cuando la distribución no es normal? Qué significa ser normal? Ejemplos de situaciones normales Ejemplos de situaciones no normales Resumen Implicaciones
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detalles2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS)
2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS) La idea principal en este capitulo es el inicio a planear los diseño experimentales y su correspondiente análisis estadístico. En este caso iniciaremos
Más detallesEstadística para la Economía y la Gestión IN 3401
Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los
Más detallesContraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste
1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y
Más detallesINFERENCIA ESTADISTICA
INFERENCIA ESTADISTICA ESTIMACION 2 maneras de estimar: Estimaciones puntuales x s 2 Estimaciones por intervalo 2 ESTIMACION Estimaciones por intervalo Limites de Confianza LCI
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 detallesSOLUCIÓN A LOS EJERCICIOS DEL SPSS Bivariante
SOLUCIÓ A LOS EJERCICIOS DEL SPSS Bivariante. a). La media y la varianza de las variables estatura y peso en la escala de medida norteamericana. Peso Peso: Transformar -> Calcular: Libras.4536 Peso libras
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesTécnicas de Predicción Solución Examen Final
Técnicas de Predicción Solución Examen Final Administración y Dirección de Empresas 23 de Junio, 2008 Prof. Antoni Espasa Secciones 3h Nota: Todas las respuestas deben ser adecuadamente razonadas. Respuestas
Más detallesLAB 13 - Análisis de Covarianza - CLAVE
LAB 13 - Análisis de Covarianza - CLAVE Se realizó un experimento para estudiar la eficacia de un promotor de crecimiento en terneros en lactación. Se usaron cuatro dosis de la droga (0, 2.5, 5 y 7.5 mg).
Más detallesÍNDICE INTRODUCCIÓN... 21
INTRODUCCIÓN... 21 CAPÍTULO 1. ORGANIZACIÓN DE LOS DATOS Y REPRESENTACIONES GRÁFICAS... 23 1. ORGANIZACIÓN DE LOS DATOS... 23 1.1. La distribución de frecuencias... 24 1.2. Agrupación en intervalos...
Más detallesTRABAJO 3: Números Índices. Series Cronológicas (Temas 3 y 4).
TRABAJO 3: Números Índices. Series Cronológicas (Temas 3 y 4). Técnicas Cuantitativas I. Curso 2016/2017. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: En los enunciados de los ejercicios que
Más detallesDiplomatura en Ciencias Empresariales X Y 10 10000 100 1000 1000 100 10000 10
DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA Diplomatura en Ciencias Empresariales ESTADÍSTICA II Relación Tema 10: Regresión y correlación simple. 1. Ajustar una función potencial a los siguientes
Más detallesErrores de especificación
CAPíTULO 5 Errores de especificación Estrictamente hablando, un error de especificación es el incumplimiento de cualquiera de los supuestos básicos del modelo lineal general. En un sentido más laxo, esta
Más detallesUNIVERSIDAD DE ANTIOQUIA FACULTAD NACIONAL DE SALUD PÚBLICA Héctor Abad Gómez ldbello@saludpublica.udea.edu.co Facultad Nacional de Salud Pública Héctor Abad Gómez www.leondariobello.com www.ciemonline.info/moodle
Más detallesRepaso de estadística básica. Juan D. Barón Santiago de Chile, 8 de abril de 2013
Repaso de estadística básica Juan D. Barón Santiago de Chile, 8 de abril de 2013 1 I. CONCEPTOS ESTADÍSTICOS BÁSICOS 2 Las decisiones se toman bajo incertidumbre Las decisiones se basan en información
Más detallesEJERCICIOS DE PRUEBA DE HIPOTESIS
EJERCICIOS DE PRUEBA DE HIPOTESIS Protocolo 1. Identifique la aseveración original que se probará y exprésela en forma simbólica 1. 2. Dar la forma simbólica que debe ser verdad si la aseveración original
Más detallesTÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD
TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
Más detallesDISEÑO Y ANÁLISIS DE DATOS EN PSICOLOGÍA II
DISEÑO Y ANÁLISIS DE DATOS EN PSICOLOGÍA II PRÁCTICA 5 En una determinada investigación se estudió el rendimiento en matemáticas en función del estilo de aprendizaje de una serie de estudiantes de educación
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesObjetivo: Comprender cómo se calculan los intervalos de confianza y determinar el tamaño ideal de una muetra
PROBABILIDAD Y ESTADÍSTICA Sesión 8 (Hasta tema 7.5) 7. PRUEBA DE HIPÓTESIS 7.1 Errores tipo I y tipo II 7.2 Potencia de la prueba 7.3 Formulación de hipótesis estadística 7.4 Prueba de hipótesis para
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesPrueba de Hipótesis. Bondad de Ajuste. Tuesday, August 5, 14
Prueba de Hipótesis Bondad de Ajuste Conceptos Generales Hipótesis: Enunciado que se quiere demostrar. Prueba de Hipótesis: Procedimiento para determinar si se debe rechazar o no una afirmación acerca
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M.
MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Abordaremos en este capítulo el modelo de regresión lineal múltiple, una vez que la mayor parte de las
Más detallesAnálisis matemático de la función de Nelson y Siegel
Anexos Anexo 1 Análisis matemático de la función de Nelson y Siegel La función que define el tipo forward según el modelo propuesto por Nelson y Siegel (1987) es la siguiente: con m 0 y τ 0. 1 > m m m
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesGUÍA 5 : EFECTO DEL ESTRÉS EN EL PESO DE RECIÉN NACIDOS
GUÍA 5 : EFECTO DEL ESTRÉS EN EL PESO DE RECIÉN NACIDOS Se realizó un estudio a partir de una muestra aleatoria de mujeres atendidas por el departamento de obstetricia y ginecología de cierta clínica particular.
Más detallesDepartamento de Matemática Aplicada a las T.I.C. SOLUCIONES
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión
Más detallesGuía docente 2007/2008
Guía docente 2007/2008 Plan 247 Lic.Investigación y Tec.Mercado Asignatura 43579 METODOS CUANTITATIVOS PARA LA INVESTIGACION DE MERCADOS Grupo 1 Presentación Métodos y técnicas cuantitativas de investigación
Más detallesSegunda práctica de REGRESIÓN.
Segunda práctica de REGRESIÓN. DATOS: fichero practica regresión 2.sf3. Objetivo: El objetivo de esta práctica es interpretar una regresión y realizar correctamente la diagnosis. En la primera parte se
Más detalles