Veamos un ejemplo numérico:
|
|
- Mario Peralta Murillo
- hace 5 años
- Vistas:
Transcripción
1 RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN Los métodos de regresó se usa para estudar la relacó etre dos varables umércas. Este tpo de problemas aparece co frecueca e el coteto de químca aalítca cuado se desea realzar el calbrado e aálss strumetal. El procedmeto habtual es el sguete: el aalsta toma ua sere de materales puede ser 3 ó 4 ó más aú) e los que cooce la cocetracó del aalto. Estos patroes de calbracó se mde co el strumeto aalítco e las msmas codcoes e las que se trabajará e los esaos co el materal descoocdo. Ua vez establecdo el gráfco de calbrado puede obteerse la cocetracó del aalto como se muestra e el sguete gráfco: Veamos u ejemplo umérco:
2 Ejemplo : Para calbrar u fluorímetro se ha eamado 7 solucoes estádar de fluoresceía de las que se cooce la cocetracó medda co mucha precsó) e el fluorímetro. Los sguetes datos so las "verdaderas" cocetracoes la tesdad de fluoresceca observada e el fluorímetro: Cocetracó pg/ml): Itesdad de fluoresceca: E u problema de calbracó, queremos, a partr de medcoes hechas e muestras estádar, estudar la relacó etre las medcoes el verdadero valor. Esta relacó permtrá e el futuro, medr ua muestra descoocda coocer apromadamete su valor verdadero. Lo prmero que se hace para estudar la relacó etre dos varables umércas es u dagrama de dspersó scatter plot), como el que se preseta a cotuacó.
3 Para audar a vsualzar la relacó, hemos agregado a los putos del gráfco de dspersó ua recta que se llama "recta de regresó" o "recta de cuadrados mímos". Veremos cómo hallar esta recta. Recordemos que la ecuacó de ua recta es de la forma Ordeada al orge Pedete
4 Recta de cuadrados mímos. La recta represetada e el gráfco ateror es la recta de cuadrados mímos. Esta es la recta que está "más cerca" de los putos, e el setdo sguete: hace míma la suma de los cuadrados de las dstacas de cada puto a la recta, mdedo las dstacas vertcalmete. O sea mmza: a b )) )
5 PREDICTOR VARIABLES COEFFICIENT STD ERROR STUDENT'S T P CONSTANT CONCENTRA Observado los "coefcetes" de la salda vemos que la recta de mímos cuadrados tee ordeada al orge.5786 pedete S los putos como e este ejemplo) está cerca de la recta, podemos decr que o X Fluoresceca Cocetracó
6 Por ejemplo, s la cocetracó de fluoresceía de ua muestra fuera 8, la ordeada de acuerdo co esta recta sera *8 = Esto o quere decr que para la muestras que tega cocetracó=8 la tesdad de la fluoresceca es eactamete 6.96 como se ve e el gráfco, los putos está mu cerca de la recta, pero o está sobre la recta).
7 Modelo de regresó leal Para hace ferecas, es decr realzar tests de hpótess o calcular tervalos de cofaza, se ecesta supoer u modelo, que llamaremos "modelo de regresó leal smple". La palabra "smple" se debe a que cosderamos ua sola varable depedete o predctora X). Se geeralza e forma atural al caso e que ha más varables depedetes e ese caso se llama "modelo de regresó leal múltple". Las suposcoes del modelo de regresó leal smple so las sguetes. MODELO: Se observa pares de valores, ) para =,..., que cumple: dode e,e,...,e so varables aleatoras tales que e ) ) Ee ) = 0 para todo ) Vare ) = 3) e, e,..., e so v. a. depedetes Para obteer alguos resultados alcaza las suposcoes ) a 3), pero para otros es ecesaro agregar algo más: 4) e Normal
8 Obvamete las suposcoes ) a 4) se puede escrbr e forma más breve: ) a 4) e v. a...d. N0, ) Observacó: Supogamos que se cumple ). Ha dos modelos u poco dferetes: el modelo co 's fjas el modelo co 's aleatoras. E el prmero los valores 's o so varables aleatoras so que so úmeros fjados por el epermetador. E el segudo tato como so observacoes de varables aleatoras. Los problemas de calbracó so ejemplo co 's fjas. E otras stuacoes como podría ser e u problema e el que se desea estudar la relacó etre estatura perímetro cefálco de recé acdos, las covarables 's so aleatoras. Justfcaremos los resultados sobre estmadores, IC tests sólo para el modelo co 's fjas, que es más smple, pero cas todos estos resultados so los msmos para ambos modelos.
9 Ua forma equvalete de escrbr el modelo de regresó leal smple e el caso e que las 's so úmeros fjos) es la sguete: *) E )= + para =,...,) *) Var ) = para =,...,) 3*),,..., so v. a. depedetes 4*) Normal Nuevamete, las suposcoes *) a 4*) se puede escrbr e forma más breve: *) a 4*) v. a. depedetes N +, ) Observacó: e el modelo co 's aleatoras, o ha que hacer gua suposcó sobre la dstrbucó de las 's. Puede ser ormal o o. Como de costumbre, o se espera que las suposcoes del modelo se cumpla eactamete e u problema real, pero al meos que sea apromadamete váldas. S está lejos de cumplrse, las coclusoes puede ser erróeas. Por ejemplo, la preseca de alguos valores de la respuestas atípcos alejados de la recta, lo que mplca que o se cumple la suposcó 4) puede valdar las coclusoes. E efecto, la recta de cuadrados mímos, al gual que la meda, es sesble a uos pocos valores atípcos.
10
11 Estmadores de por el método de cuadrados mímos Llamemos a los valores de a b que mmza ) que se llama "estmadores de cuadrados mímmos" de. Mostraremos resolvedo estas ecuacoes que
12 ) ) ) ) ) 3) 4) La ecuacó 4) os dce que la recta de mímos cuadrados pasa por, a que Probaremos que estos estmadores dados e 3) 4) so sesgados bajo la codcó ), es decr ) E. Además, se puede demostrar que estos estmadores so óptmos s se cumple las suposcoes ) a 4). ) E
13 Resduos: Se llama resduos las dferecas etre los valores observados las respectvas ordeadas de la recta: ) e Valores predchos: Llamamos valores predchos a Estmador de : es la varaza de e, es decr = Vare ). Los e so v. a. "o observables". Parece atural que el estmador de se base e los resduos ê. Se puede demostrar que el estmador ) )) e s 5) es u estmador sesgado de.
14 Varaza de : Se puede demostrar que: Var ) ) Var ) ) 6) además cov, ) = 0 7) Los estmadores de Var ) Var ) se obtee reemplazado por s.
15 Itervalo de cofaza para Llamemos ES ) Var ) s ) El tervalo t ; / ES ) 8) es u IC para co vel -. S la suposcó 4) de ormaldad) o se cumple, este tervalo, bajo codcoes mu geerales, tee vel astótco -.
16 Ua medda de cuá buea es X para predecr Y: el coefcete de correlacó leal "r" de Pearso. Este coefcete puede terpretarse como ua medda de cuá cerca está los putos de ua recta. La defcó de r es la sguete: 9) Puede observarse que r compara la dspersó de los valores de co respecto a la recta de cuadrados mímos co la dspersó de los valores de co respecto a su meda. r es la proporcó de la "varacó total" etre los valores de que se puede eplcar predcédolos por u recta e fucó de los valores de. Puede demostrarse que r ) ) r ) ) ) ) )
17 Se cumple que 0 r Sgfcado del valor de r r = sgfca que los putos está eactamete sobre ua recta *) r cerca de los putos está cerca de ua recta r cerca de 0 sgfca que la recta de cuadrados mímos es práctcamete horzotal por lo tato o ha relacó crecete decrecete. *) E las aplcacoes práctcas es "cas mposble" que r valga eactamete gual a. El coefcete de correlacó r es la raz de r se le poe sgo egatvo s la pedete de la recta de cuadrados mímos es egatva recta decrecete). Otra epresó equvalete para calcular r es: r ) ) ) ) 0)
18 Sempre es - r r cerca de o - dcará que los putos está cerca de ua recta crecete o decrecete respectvamete. E el ejemplo de la fluoresceca, teemos que R-SQUARED , como la pedete es postva, es r = ) ½ = Ambos mu cerca de, so ua medda de lo que vemos e el gráfco: los putos está mu cerca de ua recta. E el caso e que las s so aleatoras, el coefcete r es u estmador cosstete del coefcete de correlacó,).
19 cocetra=c0,,4,6,8,0,) fluo<- c.,5,9,.6,7.3,,4.7) salda<- lmfluo~cocetra) summarsalda) Call: lmformula = fluo ~ cocetra) Resduals: Coeffcets: Estmate Std. Error t value Pr> t ) Itercept) ** cocetra e-08 *** --- Sgf. codes: 0 *** 0.00 ** 0.0 * Resdual stadard error: o 5 degrees of freedom Multple R-squared: , Adjusted R-squared: F-statstc: 8 o ad 5 DF, p-value: 8.066e-08
20 Estmacó del valor esperado de para u valor fjado de su tervalo de cofaza. S fjamos u valor de la varable depedete, dgamos e 0 : cuál es el valor esperado de para ese valor de la varable depedete? Por el modelo supuesto, por la suposcó ) o *) el valor esperado de es E)= + 0 Su estmador es 0 Usado 6) 7) se puede demostrar que la varaza de este estmador es: 0 0 ) ) ) Var ) que el tervalo de etremos 0 / ; 0 0 / ; 0 ) ) s t ; ) ) s t ) es u IC co vel - para el valor esperado de, para = 0.
21 Gráfcamete quedaría así:
22 Predccó de u uevo valor de Y coocdo el valor de e tervalo de predccó. Los estmadores de los parámetros del modelo se basaro e ua muestra de observacoes, ) =,...,). Supogamos ahora que hacemos ua ueva observacó, pero sólo coocemos su valor de llamémoslo + ), o coocemos el valor correspodete de, que llamaremos +. Queremos dar u valor apromado para + se dce que queremos predecr + ) u tervalo que cotee a + co ua probabldad 0.95 o -) que se llama tervalo de predccó para + ). Supodremos que el uevo dvduo observado cumple el msmo modelo que los aterores. Etoces: dode e + es ua v.a. co esperaza cero es depedete de e, e,..., e. Es tutvamete razoable que el mejor predctor de + sea: e 3)
23 El error de predccó es: ) ) e Se puede demostrar que este error de predccó tee esperaza cero varaza Var e Var Var ) ) ) ) ) que el tervalo de etremos s t s t / ; / ; ) ) ; ) ) 4) es u "tervalo de predccó" co vel - para ua ueva observacó +.
24 Aplcacó a u ejemplo: Volvamos al ejemplo de la fluoresceca. De la salda del programa mostrada aterormete obteemos:.5786 ; ; s ES ) V ar ) No aparece drectamete e la salda el IC para, pero es fácl obteerlo usado 8). S queremos u IC al 95%, ecestamos el valor de t co 7-=5 gl, co p=0.05 e las dos colas. Obteemos: t 5; 0.05 =.57, reemplazado e 8): * o, redodeado IC para co vel 95%: [.83,.04]
25 El IC al 95% para se obtee e forma aáloga: redodeado: * IC para co vel 95%: [0.76,.59] Predccó: Vamos a calcular ahora el predctor de la medcó de fluoresceca u tervalo de predccó para ua ueva observacó cua cocetracó de fluoresceía es 8 pc/ml. El predctor es fácl de calcular: *8 = 6.96 Para obteer el tervalo de predccó para + ha que usar la epresó 4). Vemos que el predctor o valor predcho es 6.96 el tervalo de predccó al 95% es [5.753 ; 8.69]. Preguta: Es tutvamete razoable que el IC para el valor esperado tega meor logtud?
26 Gráfcamete los dos tervalos quedaría así:
27 Aquí mostramos los resultados e otro ejemplo: Iteresa estudar la relacó etre la pureza de oígeo ) producdo e u proceso de destlacó el porcetaje de hdrocarburos ) presetes e el codesador prcpal de u destlador. Los datos se muestra e la tabla scatter plot sguetes:
28
29 destlaco=read.table"c:\\users\\aa\\estadstcaq\\0\\destlaco.tt",header=t) attachdestlaco) salda<- lmogeo~hdrocarburos) summarsalda) Call: lmformula = ogeo ~ hdrocarburos) Resduals: M Q Meda 3Q Ma Coeffcets: Estmate Std. Error t value Pr> t ) Itercept) < e-6 *** hdrocarburos e-09 *** --- Sgf. codes: 0 *** 0.00 ** 0.0 * Resdual stadard error:.087 o 8 degrees of freedom Multple R-squared: , Adjusted R-squared: F-statstc: 8.9 o ad 8 DF, p-value:.7e-09
30 Itervalos de Cofaza predctsalda,terval="cofdece",level=0.95) ft lwr upr
31 Itervalos de Predccó predctsalda,terval="predcto",level=0.95) ft lwr upr
32 Predccó versa: predccó de de u uevo valor de coocdo el valor de cálculo de u tervalo de cofaza. Los estmadores de los parámetros del modelo se basaro e ua muestra de observacoes, ) =,...,). Supogamos ahora que hacemos ua ueva observacó, pero sólo coocemos su valor de, o coocemos su valor. Queremos calcular u estmador de u tervalo que cotee a co ua probabldad -. Hemos dcho que ha dos modelos de regresó leal smple: uo co 's fjas otro co 's aleatoras. Pero e ambos modelos es aleatora. E el caso e el que la varable també es aleatora, s queremos predecr X coocdo Y ua solucó es cambar el modelo: tercambar e ) el papel de las varables Y X luego aplcar "predccó" o sea 3) 4)). Pero s la varable es fja fjada por el epermetador), como suele ocurrr e los epermetos de calbracó, o se la puede cosderar como varable de respuesta "" e ), a que o se cumplría las suposcoes del modelo de regresó.
33 Cosderemos etoces el caso fja. Supodremos que el uevo dvduo observado cumple el msmo modelo que los aterores, luego = + + e dode e es ua v.a. co esperaza cero es depedete de e, e,..., e. Despejado e Como o teemos formacó gua sobre e, además, de sólo coocemos los estmadores, es tutvamete razoable estmar co: 5) Como es u cocete de varables aleatoras, o es fácl calcular su varaza, pero se puede ecotrar ua epresó apromada.
34 El estmador de esta apromacó de la varaza es V ar ) s Y Y ) ) 6) Llamado ES) V ar) 7) el tervalo t ; / ES ) 8) es u tervalo de cofaza co vel apromado - para.
35 Supogamos ahora que, para obteer maor precsó, u químco hace "m" medcoes para la msma muestra. La muestra tee u valor descoocdo llamamos m Y al promedo de las m observacoes Y's hechas e esa muestra. Etoces 46) 47) se modfca así: m 5*) m m s Var ) ) ) 6*) Quedado 7) 8) s cambos.
36 Ejemplo: Cotuamos co el ejemplo de la fluoresceca. Ahora medmos ua muestra de la que o coocemos la cocetracó de fluoresceía. La medcó de fluoresceca es 3.5. Cuál es la verdadera cocetracó de fluoresceía de la muestra? Llamemos a esta verdadera cocetracó descoocda. Su estmador se calcula co 5): = 6. El estmador de la cocetracó es 6. pg/ml. Ua medda de la precsó de esta estmacó la da su Error Stadar també el IC al 95%. Necestamos prmero calcular 6). Vemos que todo lo que se ecesta para calcular 6) puede ecotrarse e la salda de la regresó leal, salvo ). E este epermeto e que ha =7 pares de datos, se podría hacer las cuetas co ua calculadora.
37 VARIABLE N MEAN SD VARIANCE CONCENTRA FLUORESCE Luego = 3.0 ) o lo teemos drectamete, pero teemos la varaza que es gual a ) / ). Por lo tato multplcado la varaza por -) obteemos = 8.667*6 =.0 ) Reemplazamos ahora e 6): Var ) ) *.0 =
38 Luego Aplcado 8) obteemos que ES ) = * so los límtes de cofaza al 95% para la cocetracó de fluoresceía e la ueva muestra observada. Como se debería tomar la muestra e el epermeto de calbracó para dsmur la logtud de los tervalos de cofaza para?
39 Dagóstco del modelo de regresó. E regresó smple la valdacó de los supuestos del modelo se realza e base a los datos a los resduos del modelo ajustado. El dagrama de dspersó permte teer ua dea del supuesto de lealdad de la codcó de homocedastcdad. Se realza dversos gráfcos: de los valores predchos vs. los resduos, que o debería mostrar gua estructura partcular, de la covarable vs. los resduos para evaluar el ajuste també boplots qq-plots de los resduos para evaluar la ormaldad de los errores. Los sguetes gráfcos muestra alguas stuacoes que podemos ecotrar.
40 a) Represeta la stuacó esperable s el modelo se cumple: ua ube de resduos alrededor del 0 s estructura. b) c) Muestra gráfcos e los que el supuesto de gualad de varazas o se cumple. d) El supuesto de lealdad o se satsface.
41 Ejemplo : Cosderamos los datos correspodetes a 47 pacetes de HIV para los que se regstraro las varables VL: carga vral GSS que correspode a u score geétco del pacete. E prmer térmo realzamos u scatter plot de los datos orgales detectamos la preseca de u outler así como certo efecto de abaco. E segudo térmo grafcamos los resduos obtedos después del ajuste de u modelo leal usado como covarable GSS respuesta VL. Aquí el efecto de abaco se ecuetra reforzado.
42 El QQ-plot muestra u mportate apartameto de la ormaldad el test de Shapro-Wlk tee u p-valor feror a E este gráfco hemos usado resduos stadarzados e lugar de los resduos que hemos defdo. Cómo se defe? ê
43 E realdad los resduos o so gualmete dstrbudos, se puede probar que V e ) h ) dode h j ) j ) mde la dstaca de la -ésma observacó al promedo muestral. h Los recbe el ombre de palaca o leverage de la observacó -ésma. Teedo e cueta la varaza de los resduos defmos los resduos stadarzados como: r s h ) /
44 Ejemplo : Cuado el plutoo se ecuetra e pequeñas catdades ua forma de detectarlo es medate las partículas alfa que emte. E u epermeto de calbracó se mdero varas veces 4 materales stadards para los que se cooce la actvdad de plutoo 0, 5, 0 0 pcocures por gramo pc/g). Los resultados de estas medcoes se muestra a cotuacó e el sguete gráfco se puede aprecar la relacó etre las dos varables ,004 0,030 0,069 0,50 0,0 0,04 0,068 0,09 0,004 0,037 0,048 0,083 0,009 0,039 0,059 0,3 0,009 0,049 0,05 0,006 0,004 0,006 0,00 0,06
45 Observemos el dagrama de dspersó: E este dagrama se observa que los datos o sgue el modelo de regresó leal habtual: ha u claro dato atípco o parece cumplrse la suposcó de varaza costate. Ua posble forma de detectar fallas e el modelo, es estmar los parámetros del modelo luego hacer gráfcos para el dagóstco.
46 radaco=read.table"c:\\users\\aa\\estadstcaq\\0\\radaco.tt",header=t) attachradaco) salda<- lmalfa~plutoo) summarsalda) Call: lmformula = alfa ~ plutoo) Resduals: M Q Meda 3Q Ma Coeffcets: Estmate Std. Error t value Pr> t ) Itercept) * plutoo e-07 *** --- Sgf. codes: 0 *** 0.00 ** 0.0 * Resdual stadard error: o degrees of freedom Multple R-squared: 0.733, Adjusted R-squared: F-statstc: o ad DF, p-value:.07e-07
47 ls.dagsalda) res.std<- ls.dagsalda)$std.res qqormres.std) qqleres.std) shapro.testres.std) Shapro-Wlk ormalt test data: res.std W = 0.69, p-value = 7.666e-06
48 E el gráfco se observa la preseca de u valor atípco el test de Shapro Wlk rechaza la hpótess de ormaldad P<0.000). S ecluímos el dato atípco volvemos a estmar los parámetros de la regresó hacer gráfcos co los resduos, resulta: alfa.sout<- alfa[-0] Sacamos la observacó 0!! plutoo.sout<- plutoo[-0] salda.sout<- lmalfa.sout~plutoo.sout) summarsalda.sout) Call: lmformula = alfa.sout ~ plutoo.sout) Resduals: M Q Meda 3Q Ma Coeffcets: Estmate Std. Error t value Pr> t ) Itercept) plutoo.sout e-3 *** --- Sgf. codes: 0 *** 0.00 ** 0.0 * Resdual stadard error: o degrees of freedom Multple R-squared: 0.96, Adjusted R-squared: 0.9 F-statstc: 9 o ad DF, p-value: 9.077e-3
49 Notemos las dferecas co respecto al aálss ateror e la estmacó de la tercept de su sgfcacó, así como las dferecas etre los R-squared. Aalcemos estos resduos. res.std<- ls.dagsalda.sout)$std.res qqormres.std) qqleres.std) shapro.testres.std) Shapro-Wlk ormalt test data: res.std W = , p-value =
50 hat<- salda.sout$ft plothat,res.std) ableh=0,col="red") Todavía persste u efecto abaco e el gráfco. Esto sugere que o es correcto coveete usar para estos datos el método de cuadrados mímos. No ha ua solucó automátca para datos que o cumple las suposcoes del modelo de regresó leal. E este caso e que la dspersó aumeta co el valor esperado, se ha propuesto dos tpos de solucoes. Ua es la de aplcar cuadrados mímos poderados, la otra es la de aplcar trasformacoes a los datos.
51 Cuadrados mímos poderados. Recordemos que e el modelo leal clásco co el que hemos trabajado asummos que: Se observa pares de valores, ) para =,..., que cumple: dode e,e,...,e so varables aleatoras tales que = + + e para =,...,) ) ) Ee ) = 0 para todo ) Vare ) = o sea es sempre la msma para todas las observacoes) 3) e, e,..., e so v. a. depedetes E alguos problemas, se sabe de atemao o se observa e los datos que o se cumple la suposcó de homocedastcdad, es decr que los errores tee gual varaza, so que la varaza camba co, dgamos e geeral que es de la forma: dode e prcpo la fucó es descoocda. Vare ) = f )
52 E problemas e los que e es el error de medcó puede ser coocda de atemao la relacó etre la varaca del error. S teemos la suerte de coocer de atemao esta relacó, o propoemos esta relacó observado los datos, la solucó es smple. Las relacoes más usadas so que la varaza o la desvaco stadard so proporcoales a, o sea a) Vare ) = cte. b) Var e ) = cte. Tato a) como b) puede escrbrse como: Vare ) = v 9) dode es ua costate coocda o más frecuetemete u parámetro a estmar v so costates coocdas. Supogamos que se cumple el modelo Y = + + e para =,...,) co las suposcoes ) 3), pero cambado ) por Vare ) = v.
53 Etoces s dvdmos por v ambos membros de ) llamamos * Y v. ; * v ; e * e v obteemos * = v + * + e * para =,...,) 0) * dode ahora e cumple las suposcoes ) a 3) del modelo leal clásco. Luego, para estmar los parámetros se aplca cuadrados mímos e 0), que equvale a mmzar v a b )) ) por lo que el método de estmacó se llama cuadrados mímos pesados o poderados.
54 El peso de cada observacó es versamete proporcoal a su varaza, lo que es tutvamete razoable. Muchos programas permte calcular los estmadores de cuadrados mímos pesados. Observacó: Cuado para cada valor de se hace varas observacoes de, se puede estmar las varazas de los errores por las varazas muestrales e lugar de hacer suposcoes como e 9). Luego, se emplea estas varazas estmadas e el método de cuadrados mímos poderados. Veremos a cotuacó u ejemplo e el que aplcaremos este método. Este método o es recomedable s ha pocas observacoes para cada.
55 Ejemplo 3: E u epermeto de calbracó se aalzaro solucoes stadard co cocetracó coocda. Cada solucó fue medda 0 veces. Se muestra las medas los desvíos stadard DS) de las absorbacas observadas: Cocetracó Absorbaca Promedo DS Los datos de cocetracó promedo de absorbaca se grafca a cotuacó:
56 Se observa e el gráfco que la relacó es leal. Pero e la tabla se ve que a medda que la verdadera cocetracó aumeta, crece el desvío stadard. Por lo tato, es sosteble la suposcó ) del modelo de regresó e este ejemplo es evdete que Vare ) = f ) = v dode además la fucó f parece ser crecete.
57 S o teemos dea preva de la forma de esta fucó, se suele smplemete estmar cada v co el cuadrados de la DS correspodete. Por ejemplo para =0 estmamos v co el cuadrado de 0.00, etc. El estmador de mímos cuadrados poderados usa como pesos las versas de estos v estmados. Calculamos los estmadores de cuadrados mímos poderados. Igresado los datos, calculamos los pesos obteemos la sguete salda: summarlmabsorbaca~cocetra,weghts=/varar))) Call: lmformula = absorbaca ~ cocetra, weghts = /varar)) Resduals: Coeffcets: Estmate Std. Error t value Pr> t ) Itercept) *** cocetra e-07 *** --- Sgf. codes: 0 *** 0.00 ** 0.0 * Resdual stadard error:.06 o 4 degrees of freedom Multple R-squared: 0.999, Adjusted R-squared: F-statstc: 4807 o ad 4 DF, p-value:.593e-07
58 S, por error hubésemos calculado la recta de cuadrados mímos s poderacoes, hubésemos obtedo: summarlmabsorbaca~cocetra)) Call: lmformula = absorbaca ~ cocetra) Resduals: Coeffcets: Estmate Std. Error t value Pr> t ) Itercept) cocetra e-06 *** --- Sgf. codes: 0 *** 0.00 ** 0.0 * Resdual stadard error: o 4 degrees of freedom Multple R-squared: , Adjusted R-squared: F-statstc: 73 o ad 4 DF, p-value:.995e-06 Auque e este ejemplo los estmadores de so parecdos, debdo a que los putos está mu cerca de ua recta, e otros ejemplo podría haber dferecas mportates, s embargo camba la sgfcacó de la ordeada al orge.
RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. realizar el calibrado en análisis instrumental.
RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN Los métodos de regresó se usa para estudar la relacó etre dos varables umércas. Este tpo de problemas aparece co frecueca e el
Más detallesVeamos un ejemplo numérico:
RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN Los métodos de regresó se usa para estudar la relacó etre dos varables umércas. Este tpo de problemas aparece co frecueca e el
Más detallesModelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión
Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la
Más detallesRegresión lineal simple
Descrpcó breve del tema Regresó leal smple Tema. Itroduccó. El modelo de regresó smple 3. Hpótess del modelo Lealdad, homogeedad, homocedastcdad, depedeca ormaldad 4. Estmacó de los parámetros Mímos cuadrados,
Más detallesRELACIÓN ENTRE DOS VARIABLES NUMÉRICAS. REGRESIÓN LINEAL SIMPLE. CORRELACIÓN.
FCEyN - Estadístca para Químca Marta García Be 8 RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS. REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. Los métodos de regresó se usa para estudar la relacó etre dos varables umércas.
Más detallesREGRESIÓN LINEAL SIMPLE
RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó
Más detallesSupongamos que hemos aplicado el test F y hemos rechazado la H0.
Comparacó de medas tomadas de a pares CONDICION Meda s --------- ---------- ------ ---------- 0.00 3.0000 0.00 3.73 3 97.00 3.0000 4 93.00.44 TOTAL 98.73.6036 Supogamos que hemos aplcado el test F y hemos
Más detallesAplicación de Boostrapping en Regresión I
Aplcacó de Boostrappg e Regresó I U modelo de regresó leal basado e observacoes (x,y ) es de la forma y =x β+e (=,,..) dode y so los valores observados de la varable de respuesta y, y los x so vectores
Más detallesMétodos indirectos de estimación: razón, regresión y diferencia
Métodos drectos de estmacó: razó, regresó dfereca Cotedo. Itroduccó, defcó de estmadores drectos. Estmador de razó, propedades varazas. Límtes de cofaza. 3. Tamaño de la muestra e los estmadores de razó
Más detallesLa inferencia estadística es primordialmente de naturaleza
VI. Ifereca estadístca Ifereca Estadístca La fereca estadístca es prmordalmete de aturaleza ductva y llega a geeralzar respecto de las característcas de ua poblacó valédose de observacoes empírcas de la
Más detallesModelos de Regresión Simple
Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable
Más detallesEn esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )
Regresó Leal mple. REGREIÓN IMPLE El aálss de regresó es ua herrameta estadístca la cual utlza la relacó, etre dos o más varables de modo que ua varable pueda ser predcha desde la (s) otra (s). Por ejemplo
Más detallesIntroducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff
Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable
Más detallesRegresión - Correlación
REGRESIÓN Regresó - Correlacó Aálss que requere la cosderacó de o más varables cuattatvas e forma smultáea. Aálss de Regresó: estuda la relacó fucoal de ua o más varables respecto de otra Aálss de Correlacó:
Más detallesAnálisis de Regresión
Aálss de Regresó Ig. César Augusto Zapata Urqujo Ig. José Alejadro Marí Del Río Facultad de Igeería Idustral Uversdad Tecológca de Perera 0-05 Modelo de Regresó Leal Smple Y Dados A (, ) =,,. Gráfco o
Más detalles1. Introducción 1.1. Análisis de la Relación
. Itroduccó.. Aálss de la Relacó Ejemplos: Relacoes fucoales de terés Redmeto Doss de fertlzate Redmeto hortícola Desdad de platacó Volume de madera a cortar Desdad de platacó Catdad de suplemeto dado
Más detallesERRORES EN LAS MEDIDAS (Conceptos elementales)
ERRORES E LAS MEDIDAS (Coceptos elemetales). Medda y tpos de errores ormalmete, al realzar varas meddas de ua magtud físca, se obtee e ellas valores dferetes. E muchas ocasoes, esta dfereca se debe a causas
Más detallesAnálisis de Regresión y Correlación Lineal
Aálss de Regresó y Correlacó Leal Dr. Pastore, Jua Igaco Profesor Adjuto. Aálss de Regresó y Correlacó Leal Hasta ahora hemos cetrado uestra atecó prcpalmete e ua sola varable de respuesta umérca o e seres
Más detallesGRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A
Febrero 20 EAMEN MODELO A Pág. 1 GRADO EN PICOLOGIA INTRODUCCIÓN AL ANÁLII DE DATO Códgo Asgatura: 620137 FEBRERO 20 EAMEN MODELO A Tabla 1: Para estudar la relacó etre las putuacoes e u test () y el redmeto
Más detalles-Métodos Estadísticos en Ciencias de la Vida
-Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable
Más detallesx x x x x Y se seguía operando
. INTRODUCCIÓN. DEFINICIONES UNIDAD : Números complejos Cuado se teta resolver ecuacoes de segudo grado como por ejemplo x 4x 0, se observa que o 4 6 5 4 6 tee solucoes reales x x, pues o exste raíces
Más detallesEstadística. Tema 6: Análisis de Regresión.. Estadística. UNITEC Tema 6: Análisis de Regresión Prof. L. Lugo
Estadístca Tema 6: Aálss de Regresó. Estadístca. UNITEC Tema 6: Aálss de Regresó Modelos de Regresó E muchos problemas este ua relacó herete etre dos o mas varables, resulta ecesaro eplorar la aturaleza
Más detallesEstadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo
Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos
Más detallesOrden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas.
Estadístca (Q) Dra. Daa M. Kelmasky 99. Teoremas límte Frecueca Relatva 0.5 0.6 0.7 0.8 0.9.0 0 00 00 300 400 Orde de la trada Fgura : Frecueca relatva de cara para ua sucesó de 400 tradas. La fgura muestra
Más detallesAnálisis de Regresión y Correlación Lineal
Aálss de Regresó y Correlacó Leal 2do C. 2018 Mg. Stella Fgueroa Clase Nº 14 Tpos de relacoes etre varables Exste u compoete aleatoro por lo que las predccoes tee asocado u error de predccó. Modelo determsta
Más detallesV II Muestreo por Conglomerados
V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos
Más detallesANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL
ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL TIPOS DE RELACIONES ENTRE VARIABLES Dos varables puede estar relacoadas por: Modelo determsta Modelo estadístco Ejemplo: Relacó de la altura co la edad e ños.
Más detallesTEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx
TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la
Más detallesModelo Lineal Simple. Clase 02. Profesor: Carlos R. Pitta. ICPM050, Econometría. Universidad Austral de Chile Escuela de Ingeniería Comercial
Uversdad Austral de Chle Escuela de Igeería Comercal ICPM5, Ecoometría Clase Modelo Leal Smple Profesor: Carlos R. Ptta Ecoometría, Prof. Carlos R. Ptta, Uversdad Austral de Chle. El Modelo de Regresó
Más detallesInferencia Estadística
Ifereca Estadístca Poblacó y muestra Coceptos y defcoes Muestra Aleatora Smple (MAS) Cosderemos ua poblacó, cuya fucó de dstrbucó esta dada por F(), la cual está costtuda por u úmero fto de posbles valores,
Más detallesUNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO 1
ESCUELA UNIVERSITARIA DE TÉCNICA INDUSTRIAL UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO La sguete tabla muestra la ota fal e los exámees de estadístca (E) e vestgacó operatva (IO) de ua
Más detallesAPROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS
APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS Sugerecas para que mparte el curso Ha llegado el mometo e que es coveete resolver ejerccos aplcado
Más detallesTema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO.
Tema 60.Parámetros estadístcos. Calculo propedades y sgfcado Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGIFICADO.. Itroduccó. Defcó de estadístca. Estadístca descrptva y estadístca ferecal.
Más detallesLos Histogramas. Histograma simple
Los Hstogramas El Hstograma es ua forma de represetacó de datos que permte aalzar fáclmete el comportameto de ua poblacó, ya sea per se, o por medo de ua muestra. U Hstograma se defe como u cojuto de barras
Más detallesUNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro)
UIDAD.- Dstrbucoes bdmesoales. Correlacó regresó (tema del lbro). VARIABLES ESTADÍSTICAS BIDIMESIOALES Vamos a trabajar sobre ua sere de feómeos e los que para cada observacó se obtee u par de meddas.
Más detalles(Véase el Ejercicio 13 Beneficio de los bancos )
étodos de Regresó- Grado e Estadístca Empresa Tema 3 /3 étodos de Regresó- Grado e Estadístca Empresa Tema 3 /3 Tema 3. El modelo de regresó múltple. Hpótess báscas. El modelo. as pótess báscas. Estmacó
Más detallesAnálisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos
Aálss Numérco y Programacó Udad III -Iterpolacó medate trazadores: Leales, cuadrátcos y cúbcos Prmavera 9 Aálss Numérco y Programacó Coceptos geerales Problema geeral: Se tee u cojuto dscreto de valores
Más detallesLínea de Investigación: Fisicoquímica de Alimentos. Programa Educativo: Licenciatura en Química. Nombre de la Asignatura: Química Analítica V
Área Académca de: Químca Líea de Ivestgacó: Fscoquímca de Almetos Programa Educatvo: Lcecatura e Químca Nombre de la Asgatura: Químca Aalítca V Tema: Represetacoes gráfcas de las relacoes propedadcocetracó
Más detallesTema 2: Distribuciones bidimensionales
Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;
Más detallesESTADÍSTICA poblaciones
ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:
Más detallesColegio Sagrada Familia Matemáticas 4º ESO ESTADÍSTICA DESCRIPTIVA
Colego Sagrada Famla Matemátcas 4º ESO 011-01 1.- TERMIOLOGÍA. TABLAS Y GRÁFICOS ESTADÍSTICOS ESTADÍSTICA DESCRIPTIVA La poblacó es el cojuto de de todos los elemetos, que cumpledo ua codcó, deseamos estudar.
Más detalles3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna
arte robabldad codcoal rof. María. tarell - robabldad codcoal.- Defcó Supogamos el expermeto aleatoro de extraer al azar s reemplazo dos bolllas de ua ura que cotee 7 bolllas rojas y blacas. summos que
Más detalles( ) = 0 entonces ˆ i i. xy x Y Y xy Y x ˆ. β = = β =.(1) Propiedades Estadísticas de los estimadores MICO. Linealidad.
Propedades Estadístcas de los estmadores MICO Lealdad ) y Y Y Y Y = = = β Y Dado que la = 0 etoces β =.) S defmos el poderador k =, co las propedades sguetes: a) No estocástco b) k = 0 c) k = k d) = kx
Más detallesIntensificación en Estadística
GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro
Más detallesColegio Sagrada Familia Matemáticas 4º ESO
Colego Sagrada Famla Matemátcas 4º ESO 00-0 ESTADÍSTICA DESCRIPTIVA.- TERMIOLOGÍA. TABLAS Y GRÁFICOS ESTADÍSTICOS La poblacó es el cojuto de de todos los elemetos, que cumpledo ua codcó, deseamos estudar.
Más detallesExperimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS
Epermeto: I. OJETIVOS UNIVERSIDD DE TM Facultad de ecas Naturales Departameto de Físca TEORÍ DE ERRORES Idetfcar errores sstemátcos y accdetales e u proceso de medcó. ompreder los coceptos de eacttud y
Más detallesEstimación de Parámetros. Estimación Puntual. Universidad Técnica Federico Santa María. Estimación de Parámetros. Estimación de Parámetros.
Uversdad Técca Federco ata María Estmacó de Parámetros Capítulo 7 Estmacó de Parámetros Estadístca Computacoal II emestre 007 Prof. Carlos Valle Pága : www.f.utfsm.cl/~cvalle e-mal : cvalle@f.utfsm.cl
Más detallesINGENIERÍA INDUSTRIAL DISEÑO EXPERIMENTAL LEOPOLDO VIVEROS ROSAS
INGENIERÍA INDUTRIAL A meudo, e la práctca, se requere resolver prolemas que clue cojutos de varales, cuado se sae que este algua relacó herete etre ellas, esa relacó se puede ecotrar a partr de la formacó
Más detallesTest de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa
Error tpo I: Rechazar H sedo H Verdara Test Hpótess Error tpo II: No rechazar H sedo H Falsa Nvel Sgfcacó: = P(error tpo I = P(Rechazar H sedo H Verdara Probabldad error tpo II: = P(error tpo II = P(No
Más detallesENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2010 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES.
ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. EJERCICIO a) ( putos) Racoalce smplfque la fraccó. 8 8 b) ( putos) Determe los coefcetes de la ecuacó 3 a b
Más detallesGUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA
GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA Área Matemátcas- Aálss Estadístco Módulo Básco de Igeería (MBI) Resultados de apredzaje Apreder el correcto uso de la calculadora cetífca e modo estadístco, además
Más detallesANalysis Of VAriance ANOVA Análisis de la Varianza. Teresa Villagarcía
ANalyss Of VArace ANOVA Aálss de la Varaza Teresa Vllagarcía El objetvo del dseño de expermetos Estudar s determados factores fluye sobre ua varable de uestro terés. Por ejemplo: Redmeto de u proceso dustral.
Más detallesQué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN
Qué es ESADISICA? Es u couto de la rama de las Matemátcas Es algo aburrdo que mplca u motó de cuetas 3 Es u couto de téccas que se puede usar para probar cualquer cosa 4 Es u couto de coocmetos téccas
Más detallesDefinición. Número obtenido a partir del análisis de una variable estadística. Procedimiento de cálculo bien definido:
Defcó Número obtedo a partr del aálss de ua varable estadístca. Procedmeto de cálculo be defdo: aplcacó de fórmula artmétca Cuatfca uo o varos aspectos de la formacó (cofrmacó de tabla o gráfco) S calculados
Más detallesANÁLISIS DE REGRESIÓN. Departamento de Matemáticas Universidad de Puerto Rico Recinto Universitario de Mayagüez
ANÁLISIS DE REGRESIÓN Feradez Departameto de Matemátcas Uversdad de Puerto Rco Recto Uverstaro de Mayagüez REGRESIÓN LINEAL SIMPLE Regresó: cojuto de téccas que so usadas para establecer ua relacó etre
Más detallesVARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN
VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode
Más detallesTema 1. La medida en Física. Estadística de la medida Cifras significativas e incertidumbre
Tema. La medda e Físca Estadístca de la medda Cfras sgfcatvas e certdumbre Cotedos Herrameta para represetar los valores de las magtudes físcas: los úmeros Sstemas de udades Notacó cetífca Estadístca de
Más detallesPARÁMETROS ESTADÍSTICOS ... N
el blog de mate de ada: ESTADÍSTICA pág. 6 PARÁMETROS ESTADÍSTICOS MEDIDAS DE CENTRALIZACIÓN Las tablas estadístcas y las represetacoes grácas da ua dea del comportameto de ua dstrbucó, pero ese cojuto
Más detallesEstadística Descriptiva
Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u
Más detallesCalificación= (0,4 x Aciertos) - (0,2 x Errores) No debe entregar los enunciados
EAMEN MODELO A Pág. 1 INTRODUCCIÓN AL ANÁLII DE DATO FEBRERO 018 Códgo asgatura: 6011037 EAMEN TIPO TET MODELO A DURACION: HORA Materal: Addeda (Formularo y Tablas) y calculadora (cualquer modelo) Calfcacó
Más detallesMEDIDAS DE TENDENCIA CENTRAL
Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes
Más detallesMáximos y Mínimos de funciones de dos variables
Mámos Mímos de fucoes de dos varables Aplcacoes a Modelacó Matemátca AJUTE DE CURVA Regresó leal Lealzacó: epoecal, potecas razoes Coceptos geerales f() Problema geeral: e tee u cojuto dscreto de valores
Más detallesMATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades
MATEMÁTICA MÓDULO 4 Eje temátco: Estadístca y Probabldades Empezaremos este breve estudo de estadístca correspodete al cuarto año de Eseñaza Meda revsado los dferetes tpos de gráfcos.. GRÁFICOS ESTADÍSTICOS
Más detallesque queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x)
APROXIMACIÓN DISCRETA DE MÍNIMOS CUADRADOS Las leyes físcas que rge el feómeo que se estuda e forma expermetal os proporcoa formacó mportate que debemos cosderar para propoer la forma de la fucó φ ( x)
Más detallesVARIABLES ESTADÍSTICAS UNIDIMENSIONALES.
CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.
Más detallesFigura 1
Regresó Leal Smple 7 Regresó Leal Smple 7. Itroduccó Dra. Daa Kelmasky 0 E muchos problemas cetífcos teresa hallar la relacó etre ua varable (Y), llamada varable de respuesta, ó varable de salda, ó varable
Más detallesUNIDAD DIDÁCTICA 13: Estadística Descriptiva
Utat d accés accés a la uverstat dels majors de 5 ays Udad de acceso acceso a la uversdad de los mayores de 5 años UNIDAD DIDÁCTICA 13: Estadístca Descrptva ÍNDICE: DESARROLLO DE LOS CONTENIDOS 1 Itroduccó
Más detallesTema 2: El modelo básico de regresión lineal múltiple (I)
Tema : l modelo básco de regresó leal múltple I Casaldad la ocó de cetrs parbs e el aálss ecoométrco Repaso del cocepto de regresó smple: Recta de regresó poblacoal p verss recta de regresó estmada Motvacó
Más detallesDivisión de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)
Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó
Más detallesFÍSICA EXPERIMENTAL INCERTIDUMBRE ABSOLUTA Y RELATIVA. Medición de la longitud del largo del cuaderno:
FÍSICA EXPERIMENTAL INCERTIDUMBRE ABSOLUTA Y RELATIVA Medcó de la logtud del largo del cuadero: 9,5, cm,cm represeta la certdumre asoluta de la medda Qué ta sgfcatva es esa certdumre? 9,5, cm puede ser
Más detallesProbabilidad ( A) Los axiomas de la probabilidad. φ = el conjunto vacío A B = A y no B C
Los axomas de la probabldad obabldad El prmer paso para descrbr la certdumbre es cosderar el cojuto de posbles resultados obtedos a partr de u expermeto aleatoro. Este cojuto es llamado espaco muestral
Más detallesEsta t d a í d s í titcos o TEMA 3.3
TEMA 3.3 Defcó úmero obtedo a partr del aálss de ua varable estadístca. Procedmeto de cálculo be defdo: aplcacó de fórmula artmétca Cuatfca uo o varos aspectos de la formacó (cofrmacó de tabla o gráfco)
Más detalles7. Muestreo con probabilidades desiguales.
7. Muestreo co probabldades desguales. 7. Itroduccó. 7.. Probabldades de clusó. 7.. Pesos del dseño muestral. 7.. Alguos métodos co probabldades desguales. 7. Estmacó de la meda, proporcó total poblacoales.
Más detallesEjercicios y Talleres. puedes enviarlos a
Ejerccos Talleres puedes evarlos a klasesdematematcasmas@gmal.com www.klasesdematematcasmas.com Taller 1 Ig. Oscar Restrepo 1. De las varables sguetes cuáles represeta datos dscretos cuáles datos cotuos
Más detalles4 METODOLOGIA ADAPTADA AL PROBLEMA
4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor
Más detalles1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad.
Parte : MECÁNICA CUÁNTICA 1. Los postulados de la Mecáca Cuátca.. Estados Estacoaros. 3. Relacó de Icertdumbre de Heseberg. 4. Teorema de compatbldad. 1 U breve repaso de Mecáca Clásca 1. Partícula clásca:
Más detallesx θ es conocida pero se desconoce θ total o ˆθ ) debe ser función de los datos de la muestra
Estmacó putual de parámetros. Parámetro( : Característca de la poblacó. E estadístca la forma fucoal de f ( ; es coocda pero se descooce total o parcalmete. La estmacó del parámetro ( debe ser fucó de
Más detallesTRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).
TRABAJO : Varables Estadístcas Bdmesoales (Tema ). Téccas Cuattatvas I. Curso 07/08. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: E los eucados de los ejerccos que sgue aparece los valores
Más detallesMODELOS DE REGRESIÓN. Prof. Susana Martín Fernández
MODELOS DE REGRESIÓN Prof. Susaa Martí Ferádez REGRESIÓN SIMPLE Objetvo Sea..., valores de la varable umérca X. Sea Y(y, y,..., y ) u vector aleatoro de varables aleatoras depedetes, el modelo de regresó
Más detalles1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL
Estadístca y probabldad 1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL 1.1 DISTRIBUCIONES ESTADÍSTICAS Se usa dagramas de barras, dode la altura de éstas represeta la recueca de cada
Más detallesGRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO C
Febrero 010 EAMEN MODELO C Pág. 1 GRADO EN PICOLOGIA INTRODUCCIÓN AL ANÁLII DE DATO Códgo Asgatura: 6011037 FEBRERO 010 EAMEN MODELO C 1 80 5 3 8 4 1 5 6 6 7 1,0 1,47 38-40 18 35-37 36 3-34 5 9-31 46 6-8
Más detallesEstadística Contenidos NM 4
Cetro Educacoal Sa Carlos de Aragó. Sector: Matemátca. Prof.: Xmea Gallegos H. 1 Estadístca Cotedos NM 4 Udad: Estadístca y Probabldades. Apredzajes Esperados: * Recooce dferetes formas de orgazar formacó:
Más detallesSEMESTRE DURACIÓN MÁXIMA 2.5 HORAS DICIEMBRE 10 DE 2008 NOMBRE
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS PROBABILIDAD ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE 009- DURACIÓN
Más detallesANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES
ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION
Más detallesConcepto de regresión AQS 13
Cocepto de regreó AQS 3 Fucó de calbracó Correlacó etre magtude de medcó Apecto geerale E la maoría de lo método aalítco: e ecearo detfcar relacoe etre la magtude de medcó.. Mucho metodo trumetale requre
Más detallesMUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún:
A. Morllas - p. - MUESTREO E POBLACIOES FIITAS () Dos aspectos báscos de la fereca estadístca, o vstos aú: Proceso de seleccó de la muestra Métodos de muestreo Tamaño adecuado e poblacoes ftas Fabldad
Más detallesAnálisis de la varianza de un factor
Aálss de la varaza de u factor El test t de muestras se aplca cuado se quere comparar las medas de dos poblacoes co dstrbucoes ormales co varazas guales y se observa muestras depedetes para cada poblacó
Más detallesComo en ningún caso se conoce el valor verdadero de una medida es aconsejable hablar de error aparente.
ERRORES EXPERIMENTALES E todo proceso de medcó este lmtacoes dadas por los strumetos usados, el método de medcó, el observador (u observadores) que realza la medcó. Asmsmo, el msmo proceso de medcó troduce
Más detallesSERIE TEMA 7 ANÁLISIS DE DATOS BIVARIADOS PROBLEMAS CON RESOLUCIÓN
FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SERIE TEMA ANÁLISIS DE DATOS BIVARIADOS PROBLEMAS CON RESOLUCIÓN. Los datos
Más detallesMODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU
MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar
Más detallesSOLUCIONES A LOS EJERCICIOS DE LA UNIDAD
Pág. 1 Pága 09 PRACTICA Meda y desvacó típca 1 El úmero de faltas de ortografía que cometero u grupo de estudates e u dctado fue: 0 1 0 1 0 0 1 1 1 0 1 0 0 0 0 1 1 0 0 0 1 a) D cuál es la varable y de
Más detallesFacultad de Ciencias del Mar. Curso 2008/09 25/06/09
Estadístca Covocatora de Juo Facultad de Cecas del Mar. Curso 8/9 5/6/9 Los ríos Waccamaw y Lumber, e Carola del Norte (EEUU) se caracterza por ua rca bodversdad. E los últmos años estos ríos ha vsto crecer
Más detalles1 Estadística. Profesora María Durbán
Tema 5: Estmacó de Parámetros Tema 5: Estmacó de Parámetros 5. Itroduccó y coceptos báscos 5. Propedades de los estmadores 5.4 Dstrbucó de u estmador e el muestreo Objetvos del tema: Al fal del tema el
Más detallesAnálisis de la Varianza
Descrpcó breve del tema Aálss de la Varaza Tema. troduccó al dseño de expermetos. El modelo. Estmacó de los parámetros. Propedades de los estmadores 5. Descomposcó de la varabldad 6. Estmacó de la dfereca
Más detallesTeoría Simplificada de ERRORES Suscriben este documento los coordinadores de Laboratorio de Química, Física I y Física II.
Teoría Smplfcada de ERRORES Suscrbe este documeto los coordadores de Laboratoro de Químca, Físca I y Físca II. Defcoes Báscas: -Error absoluto (o error): Itervalo xe dode co máxma probabldad se ecuetra
Más detallesNo debe entregar los enunciados
Curso 01-13 EAMEN MODELO A ág. 1 INTRODUCCIÓN AL ANÁLII DE DATO ETIEMBRE 013 Códgo asgatura: 6011037 EAMEN TIO TET MODELO A DURACION: HORA Materal: Addeda (Formularo y Tablas) y calculadora (cualquer modelo)
Más detallesal nivel de significación α P6: Conclusión: Se debe interpretar la decisión tomada en Paso 5.
5. NÁLISIS DE VRINZ CONTENIDOS: OBJETIVOS: 5... Prueba de aálss de varaza. 5.. Comparacoes múltples. Determar los pasos a segur al realzar ua prueba de aálss de varaza Platear hpótess para la prueba de
Más detallesTEMA 2: LOS NÚMEROS COMPLEJOS
Matemátcas º Bachllerato. Profesora: María José Sáche Quevedo TEMA : LOS NÚMEROS COMPLEJOS. LOS NÚMEROS COMPLEJOS Relacó etre los úmeros complejos y los putos del plao. Afjo de u úmero complejo. Cojugado
Más detallesEspecialista en Estadística y Docencia Universitaria PRUEBAS DE NORMALIDAD MÉTODO DE KOLMOGOROV SMIRNOV
Especalsta e Estadístca y Doceca Uverstara PRUEBAS DE NORMALIDAD MÉTODO DE KOLMOGOROV SMIRNOV Tal vez el método más recomedable para el caso e que F(x) es ua dstrbucó cotua es el método para ua muestra
Más detalles