Regresión Lineal Simple y Múltiple Regresión Logística
|
|
- Purificación María Belmonte Márquez
- hace 5 años
- Vistas:
Transcripción
1 Regresión Lineal Simple y Múltiple Regresión Logística Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura MUI en Ciencias de la Salud MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 1 / 33
2 Índice 1 Introducción 2 Regresión Lineal Simple y Correlación Lineal 3 Regresión Lineal Múltiple 4 Regresión Logística MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 2 / 33
3 Introducción Objetivos Desarrollar un modelo que permita explicar la relación entre una variable respuesta, Y, y una variable explicativa o regresora, X. Modelo de Regresión Lineal Simple. Estudiar cómo determinar si existe relación entre dos variables cuantitativas X e Y, así como definir coeficientes para, caso de existir, determinar la fuerza de dicha asociación. Coeficientes de Correlación. Generalizar los modelos anteriores al caso de más de una variable explicativa o regresora. Modelo de Regresión Lineal Múltiple. Introducir el Modelo de Regresión Logística. MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 3 / 33
4 Modelo de Regresión Lineal Simple Planteamiento general Supongamos que estamos interesados en determinar la relación entre las variables: Y, variable aleatoria sobre una población (dependiente o respuesta). X variable que influye en Y, llamada predictora, explicativa o regresora y definida sobre la misma población que Y. La distribución de probabilidad de Y dependerá del valor que tome X. No obstante, Y no está completamente determinada por X, ya que hay otras influencias aleatorias. Esto se expresa mediante la ecuación: Y = f (X) + E (ecuación de regresión de Y sobre X) E, variable aleatoria no observable con media E[E] = 0 (error o ruido) MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 4 / 33
5 Modelo de Regresión Lineal Simple Regresión Lineal Simple Si f es una recta, entonces la regresión de Y sobre X es lineal. Y = α + βx + E En la práctica, la ecuación anterior es imposible de determinar. Nuestro problema se limita a la Inferencia (estimación puntual, intervalos de confianza y contraste de hipótesis) sobre los parámetros α y β, en base a una serie de datos observados de este modelo. Intuitivamente, la pendiente de la recta, β, marca el crecimiento (o decrecimiento) de la variable Y por cada unidad que crece la variable X. MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 5 / 33
6 Modelo de Regresión Lineal Simple Otros parámetros: coeficiente de correlación lineal Algunos parámetros cuantificarán el grado de relación entre X e Y y el sentido de la misma. Son la Covarianza Poblacional (σ xy ) y el Coeficiente de Correlación Lineal (ρ). Se relacionan mediante la expresión ρ = σ xy σ x σ y, 1 ρ 1 donde σ 2 x, σ 2 y denotan las varianzas poblacionales. Se verifica que Si β, σ xy, ρ < 0, la relación lineal es negativa (cuando crece X, decrece Y). Si β, σ xy, ρ = 0, no hay relación lineal, las variables son incorreladas, es decir, el comportamiento de X no afecta al de Y. Si β, σ xy, ρ > 0, la relación lineal es positiva (cuando crece X también crece Y). ρ = 1 y ρ = 1 indican una relación lineal determinística entre X e Y, con ausencia de aleatoriedad. MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 6 / 33
7 Modelo de Regresión Lineal Simple: Inferencia Modelo Y = α + βx + E, E N(0, σ 2 ) Muestra La inferencia se basará en una muestra aleatoria simple ambas variables X e Y, medidas sobre los mismos individuos, es decir en una muestra aleatoria de la población bidimensional (X, Y) Y y 1 y 2 y 3... y n X x 1 x 2 x 3... x n MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 7 / 33
8 Modelo de Regresión Lineal Simple: Inferencia A fin de estudiar la evolución del ángulo de Clarke (en grados) con la edad del niño (sano) se obtuvieron ambos datos en un grupo de 16 niños (entre 3 y 10 años) elegidos al azar: Edad (X) Ángulo (Y) Representamos las dos variables en la nube de puntos o diagrama de dispersión Y=Angulo de Clark X=Edad MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 8 / 33
9 Modelo de Regresión Lineal Simple: Inferencia Estimación puntual Los estimadores de los parámetros del modelo son: Estimador puntual de β: b = S xy S xx = (xi x)(y i ȳ) (xi x) 2 = Estimador puntual de α: a = ȳ b x. xi y i ( xi ) ( yi ) /n x 2 i ( xi ) 2 /n. Recta de regresión muestral: y = a + bx. La recta de regresión lineal estimada de Y sobre X es la recta que mejor se ajusta a la nube de puntos de un determinado conjunto de datos (ajuste de mínimos cuadrados) Estimador puntual de σ 2 : s 2 = n 1 n 2 i=1 (y i (a + bx i )) 2 = n 1 2 [S yy bs xy ], siendo S yy = (y i ȳ) 2 = y 2 i ( y i ) 2 /n. MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 9 / 33
10 Modelo de Regresión Lineal Simple: Inferencia n = 16 P i xi = 104, P i x2 i = 760, P i yi = 538, P i y2 i = 18826, P i xiyi = 3739 S xx = P i (xi x)2 = P i x2 i ( P i xi)2 /n = /16 = 84 S yy = /16 = S xy = P i xiyi (P xi)(p i i yi)/n = /16 = 242 x = 6.5, ȳ = b = Sxy = 242 = 2.88, a = = 14.9 S xx 84 y = x s 2 = 1 1 (Syy bsxy) = ( ) = n 2 14 MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 10 / 33
11 Modelo de Regresión Lineal Simple: Inferencia Y=Angulo de Clark X=Edad MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 11 / 33
12 Modelo de Regresión Lineal Simple: Inferencia Existe relación entre la edad y el ángulo de Clarke?. Contraste de hipótesis MODELO: Y = α + βx + E, E sigue distribución N(0,σ 2 ) H 0 : β = 0 H 1 : β 0 El estadístico de contraste es: H 0 : no hay relación lineal entre X e Y H 1 : sí hay relación lineal entre X e Y t exp = b s/ S xx Rechazamos H 0 al nivel α si t exp > t α (n 2), siendo t α (n 2) el cuantil de orden 1 α/2 de una distribución t-student con n 2 grados de libertad. MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 12 / 33
13 Modelo de Regresión Lineal Simple: Inferencia Existe relación entre la edad y el ángulo de Clarke?. t exp = MODELO: Y = α + βx + E, E sigue distribución N(0,σ 2 ) b s/ 2.88 = = S xx 2.754/84 H 0 : β = 0 vs. H 1 : β 0 Se rechaza H 0 al nivel de significación α si t exp > t α (n 2) α = t (14) = 4.14 t exp > t (14) H 1 p < MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 13 / 33
14 Modelo de Regresión Lineal Simple: Inferencia Cuánto varía el ángulo por cada año que pasa de edad? b = 2.88 MODELO: Y = α + βx + E, E sigue distribución N(0,σ 2 ) Intervalos de confianza A un nivel de confianza 1 α: Para β: β b ± t α (n 2) s Sxx Para α: α a ± t α (n 2)s 1 n + S x2 xx 1 α = β 2.88 ± t 0.05 (14) = 2.88 ± 0.39 = [2.49, 3.27] CON UNA 84 CONFIANZA DEL 95% MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 14 / 33
15 Modelo de Regresión Lineal Simple: Correlación Lineal Cómo podemos medir el grado de la relación entre la edad y el ángulo de Clarke? Grado de relación entre las variables Si aceptamos H 0 : β = 0 (es decir, no podemos encontrar evidencias estadísticas de que no sea cierta) la variable X desaparece de la ecuación Y = α + βx + E, o sea, toda la variabilidad de Y es aleatoria. Si aceptamos H 1 : β 0, entonces parte de la variabilidad de Y es debida a X y habrá relación entre X e Y. El grado de relación y el signo de la misma nos lo estima el coeficiente de correlación lineal muestral ˆρ = r = S xy. Este coeficiente está entre -1 y 1, Sxx S yy y por tanto su magnitud puede ser comparada con estas cantidades. Así su proximidad a -1 ó a 1 nos da idea de una asociación lineal fuerte mientras que su proximidad a 0 de una asociación débil. Su signo nos indica si la relación es negativa o positiva. MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 15 / 33
16 Modelo de Regresión Lineal Simple: Correlación Lineal Cómo podemos medir el grado de la relación entre la edad y el ángulo de Clarke? r = S xy 242 = = Sxx S yy Contraste de hipótesis A menudo es útil contrastar El estadístico de contraste es H 0 : ρ = 0 H 1 : ρ 0 t exp = Rechazamos H 0 al nivel α si t exp > t α (n 2) (n 2)r 2 1 r 2 Este contraste es equivalente al de H 0 : β = 0 y por tanto requiere la hipótesis de normalidad. MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 16 / 33
17 Modelo de Regresión Lineal Simple: Correlación Lineal Existe relación lineal entre la edad y el Ángulo de Clarke? H 0 : ρ = 0 vs. H 1 : ρ 0 t exp = (n 2)r r 2 = = Se rechaza H 0 al nivel de significación α si t exp > t α (n 2) α = t (14) = 4.14 t exp > t (14) H 1 p < MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 17 / 33
18 Modelo de Regresión Lineal Simple: Correlación Lineal Qué porcentaje de la variabilidad del ángulo queda explicada por la relación que mantiene con la variable edad? Coeficiente de determinación Al valor r 2 se le denomina coeficiente de determinación. Mide el grado de asociación lineal (sin signo) entre X e Y. Intuitivamente, r 2 se puede interpretar como el tanto por 1 de la variabilidad de Y que queda explicada por la variable X. Qué porcentaje de la variabilidad del ángulo queda explicada por la relación que mantiene con la variable edad? r 2 = MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 18 / 33
19 Modelo de Regresión Lineal Simple: Predicciones Qué valor del ángulo tendría un niño con 12 años? Y uno de 5 años? Predicciones La recta de regresión estimada Y = a + bx puede ser utilizada para realizar predicciones. Sea x 0 un valor dentro del rango de valores muestreados de la variable X (para valores fuera de este rango no es conveniente hacer predicciones), que se corresponde con un valor y 0 de la variable Y que no hemos observado. Aunque no conozcamos y 0, la recta anterior nos permite hacer inferencia sobre este valor. Así su estimación será ŷ 0 = a + bx 0 Si además E N(0, σ) podemos dar un intervalo de confianza al nivel 1 α para y 0: " ŷ 0 ± t α(n 2) ss # (x0 x)2 + n S xx Estas predicciones sólo serán fiables si hemos probado que hay relación entre las variables y el coeficiente de determinación r 2 es alto. MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 19 / 33
20 Modelo de Regresión Lineal Simple: Predicciones Qué valor del ángulo tendría un niño con 12 años? Y uno de 5 años? Para 12 no se debe calcular pues el rango de valores muestreados de la variable Edad es x 0 = 5 ŷ 0 = = 29.3 Intervalo de confianza para una predicción al nivel 1 α = 0.95: ( y ± t 0.05 (14) ) (5 6.5)2 + = 29.3 ± 3.7 = [25.6, 33.0] CON UNA CONFIANZA DEL 95% MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 20 / 33
21 Modelo de Regresión Lineal Simple: Predicciones Y=Angulo de Clark X=Edad MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 21 / 33
22 Correlación No Paramétrica Coeficiente de correlación de Spearman Qué podemos decir si no tenemos la hipótesis de normalidad? COEFICIENTE DE CORRELACIÓN DE SPEARMAN: 6 r s = 1 n(n 2 1) n (R i R i) 2, i=1 siendo (R i, R i), i = 1,..., n los pares de rangos asociados a las observaciones (x i, y i ), i = 1,..., n H 0 : X, Y independientes vs. H 1 : X, Y relación monótona Si n 50, se rechaza H 0 al nivel de significación α si r s > r α, r α en la tabla de Spearman. Si n > 50, se rechaza H 0 al nivel de significación α si r s n 1 > z α, siendo z α el cuantil de orden α/2 de una distribución Normal estándar. MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 22 / 33
23 Correlación No Paramétrica (1.5) (1.5) (3.5) (3.5) (5.5) (5.5) (7.5) (7.5) (9.5) (9.5) X Y (2) (1) (4) (3) (7) (6) (8) (5) (9.5) (9.5) (11.5) (11.5) (13.5) (13.5) (15.5) (15.5) X Y (11) (12.5) (12.5) (14) (16) (15) R i R i R i - R i r s = 1 n(n 2 1) = 1 n (R i R i) 2 i=1 6 16(16 2 1) (( 0.5) ) = MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 23 / 33
24 Correlación No Paramétrica COEFICIENTE DE CORRELACIÓN DE SPEARMAN: r s = H 0 : X, Y independientes vs. H 1 : X, Y relación monótona Se rechaza H 0 al nivel de significación α si r s > r α (n) r α (n) en la tabla de Spearman α = r (16) = r s > r (16) H 1 p < MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 24 / 33
25 Modelo de Regresión Lineal Múltiple Definición Variable Respuesta: Y Variables Regresoras: X 1, X 2,..., X k Relación Variable Respuesta - Variables Regresoras: o equivalentemente Y = β 0 + β 1 X β k X k + E, E[E] = 0 E[Y X 1 = x 1,..., X k = x k ] = β 0 + β 1 x β k x k Distribución de Probabilidad Variable de Error o de la Respuesta: Distribución Normal E N(0, σ 2 ) MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 25 / 33
26 Modelo de Regresión Lineal Múltiple Muestra Variable Respuesta: Y Variables Regresoras: X 1, X 2,..., X k Datos: Y X 1 X 2... X k Y 1 x 11 x x 1k Y 2 x 21 x x 2k Inferencia Y n x n1 x n2... x nk Estimación: parámetros β 0... β k Test de Hipótesis: Modelo adecuado: H 0 : β 1 =... = β k = 0 Parámetros del modelo: Para cada i = 1,..., k, H 0 : β i = 0 Ajuste del Modelo: Coeficientes R 2 y R 2 -ajustado. Diagnosis: Residuos. Selección de Variables: Métodos Forward y Backward. MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 26 / 33
27 Modelo de Regresión Logística Simple Definición Variable Respuesta Dicotómica: Y = 1 si ocurre un determinado suceso; Y = 0 si no ocurre dicho suceso. Y sigue una distribución de Bernoulli. Suceso = muerte, curación, enfermedad,... Variable Regresora: X. p x = E[Y X = x] prob. de que ocurra el suceso cuando X = x 1 p x = 1 + exp( (β 0 + β 1 x)) ( ) px log = β 0 + β 1 x 1 p x p x 1 p x = exp(β 0 + β 1 x) MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 27 / 33
28 Modelo de Regresión Logística Simple Muestra Muestra aleatoria de la población bidimensional (X, Y) Y y 1 y 2 y 3... y n X x 1 x 2 x 3... x n Inferencia Estimación: parámetros β 0, β 1 Test de Hipótesis: Adecuación del Modelo: Test de Hosmer-Lemeshow Parámetros del modelo: Para cada i = 0, 1, H 0 : β i = 0 Ajuste del Modelo: Coeficiente R 2 de Nagelkerke. MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 28 / 33
29 Modelo de Regresión Logística Simple Bioensayos: Modelos Dosis-Respuesta Variable Respuesta Dicotómica: Y = 1 si ocurre un determinado suceso; Y = 0 si no ocurre dicho suceso. Y sigue una distribución de Bernoulli. Suceso = muerte, curación, enfermedad,... Variable Regresora: X = dosis de una sustancia. p x = E[Y X = x] prob. de que ocurra el suceso cuando X = x 1 p x = 1 + exp( (β 0 + β 1 x)) ( ) px log = β 0 + β 1 x 1 p x p x 1 p x = exp(β 0 + β 1 x) MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 29 / 33
30 Modelo de Regresión Logística Simple Bioensayos: Modelos Dosis-Respuesta. Ejemplo Los siguientes datos corresponden un experimento efectuado con una serie de grupos de ratas que fueron expuestas a diferentes niveles de concentración de ETU (Ethylene thiourea) observándose el número de ratas que desarrollaron tumores tiroideos (Graham et al. (1975)). Datos: Dosis Muestra Tumor MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 30 / 33
31 Modelo de Regresión Logística Simple Bioensayos: Modelos Dosis-Respuesta. Ejemplo Los siguientes datos corresponden un experimento efectuado con una serie de grupos de ratas que fueron expuestas a diferentes niveles de concentración de ETU (Ethylene thiourea) observándose el número de ratas que desarrollaron tumores tiroideos (Graham et al. (1975)). Datos: Dosis Muestra Tumor MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 31 / 33
32 Modelo de Regresión Logística Múltiple Definición Variable Respuesta Dicotómica: Y = 1 si ocurre un determinado suceso; Y = 0 si no ocurre dicho suceso. Y sigue una distribución de Bernoulli. Variables Regresoras: X 1,..., X k. X = (X 1,..., X k ) x = (x 1,..., x k ) E[Y X = x] = p x prob. de que ocurra el suceso cuando X = x p x = ( ) 1 px log = β 0 +β 1 x β k x k 1 + exp( (β 0 + β 1 x β k x k )) 1 p x p x 1 p x = exp(β 0 + β 1 x β k x k ) MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 32 / 33
33 Modelo de Regresión Logística Múltiple Muestra Variable Respuesta: Y Variables Regresoras: X 1, X 2,..., X k Datos: Y X 1 X 2... X k Y 1 x 11 x x 1k Y 2 x 21 x x 2k Inferencia Y n x n1 x n2... x nk Estimación: parámetros β 0... β k Test de Hipótesis: Adecuación del Modelo: Test de Hosmer-Lemeshow Parámetros del modelo: Para cada i = 1,..., k, H 0 : β i = 0 Ajuste del Modelo: Coeficiente R 2 de Nagelkerke. Selección de Variables: Métodos Forward y Backward. MUI en Ciencias de la Salud (UEx) Regresión Lineal y Logística Miguel González Velasco 33 / 33
Tema 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 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 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos
Tema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos Metodología de la Investigación en Fisioterapia Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura M.
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesEstadística Computacional. M. González
Estadística Computacional M. González Facultad de Medicina. Universidad de Extremadura M. González (UEx) Estadística Computacional 1 / 23 Índice Modelos Lineales Generalizados Bioensayos: Modelos Dosis-Respuesta
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 detallesEstadística aplicada al medio ambiente
Estadística aplicada al medio ambiente III. Regresión lineal 3 o de CC. AA. Departamento de Matemáticas Universidad Autónoma de Madrid 2011/12 Planteamiento Modelo Estimación de parámetros Intervalos de
Más detallesBioestadística: Inferencia Estadística. Análisis de Una Muestra
Bioestadística: Inferencia Estadística. Análisis de Una Muestra M. González Departamento de Matemáticas. Universidad de Extremadura Estimación Puntual e Intervalos de Confianza Planteamiento del Problema
Más detallesUniversidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL
Universidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL OBJETIVO Analizar las Diferentes formas de Describir la Relación entre dos variables numéricas Trazar un diagrama de dispersión
Más detallesASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez https://torrezcesar.wordpress.com
ASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez torrezcat@gmail.com https://torrezcesar.wordpress.com 0416-2299743 Programa de Estadística II UNIDAD IV: REGRESIÓN Y CORRELACIÓN MÚLTIPLE LINEAL TANTO
Más detallesEstructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
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 detalles1. Conceptos de Regresión y Correlación. 2. Variables aleatorias bidimensionales. 3. Ajuste de una recta a una nube de puntos
TEMA 10 (curso anterior): REGRESIÓN Y CORRELACIÓN 1 Conceptos de Regresión y Correlación 2 Variables aleatorias bidimensionales 3 Ajuste de una recta a una nube de puntos 4 El modelo de la correlación
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesEstrategia de análisis estadístico de los datos. Inferencia Estadística y contraste de hipótesis
Estrategia de análisis estadístico de los datos. Inferencia Estadística y contraste de hipótesis VDC Prof. Mª JOSÉ PRIETO CASTELLÓ MÉTODOS ESTADÍSTICOS. TÉCNICAS ESTADÍSTICA DESCRIPTIVA TEORÍA DE LA PROBABILIDAD
Más detallesESTADÍSTICA APLICADA. Tema 4: Regresión lineal simple
ESTDÍSTIC PLICD Grado en Nutrición Humana y Dietética Planteamiento del problema Tema 4: Regresión lineal simple Recta de regresión de mínimos cuadrados El modelo de regresión lineal simple IC y contrastes
Más detallesProfesor: Hugo S. Salinas. Primer Semestre Tabla 1: Inteligencia y Rendimiento. X Y Figura 1: Inteligencia y Rendimiento.
UNIVERSIDAD DE ATACAMA FACULTAD DE CIENCIAS JURÍDICAS / CARRERA DE TRABAJO SOCIAL TECNOLOGÍA INFORMÁTICA I (SPSS) ESTADÍSTICA DESCRIPTIVA CON MÁS DE UNA VARIABLE Profesor: Hugo S. Salinas. Primer Semestre
Más detallesQué es? Primer paso Representación en un sistema de coordenadas. numéricos Cada punto muestra el valor de cada pareja de datos (X e Y)
Gráfico de dispersión Qué es? Primer paso Representación en un sistema de coordenadas cartesianas de los datos numéricos Cada punto muestra el valor de cada pareja de datos (X e Y) Gráfico de dispersión
Más detallesUnidad Temática 3: Estadística Analítica. Unidad 9 Regresión Lineal Simple Tema 15
Unidad Temática 3: Estadística Analítica Unidad 9 Regresión Lineal Simple Tema 15 Estadística Analítica CORRELACIÓN LINEAL SIMPLE Indica la fuerza y la dirección de una relación lineal proporcional entre
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 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 detallesAnálisis de regresión y correlación lineal
Análisis de regresión y correlación lineal En las unidades anteriores hemos aplicado metodologías estadísticas para analizar la información de una variable desde una o más muestras utilizando las herramientas
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
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 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 detallesEstadística 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 detallesTEMA N 1.- ANÁLISIS DE REGRESIÓN Y MÉTODO DE MÍNIMOS CUADRADOS
UNIVERSIDAD DE ORIENTE NÚCLEO DE ANZOÁTEGUI EXTENSIÓN REGIÓN CENTRO-SUR ANACO, ESTADO ANZOÁTEGUI Asignatura: Estadística II Docente: Ing. Jesús Alonso Campos TEMA N 1.- ANÁLISIS DE REGRESIÓN Y MÉTODO DE
Más detallesTEMA 10 Correlación y regresión. El modelo de regresión simple
TEMA 10 Correlación y regresión. El modelo de regresión simple Karl Pearson (1857-1936) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones no lineales
Más detallesUnidad V: Estadística aplicada
Unidad V: Estadística aplicada 5.1 Inferencia estadística: Concepto, Estimación, Prueba de hipótesis La Inferencia Estadística es la parte de la estadística matemática que se encarga del estudio de los
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
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 detallesModelo de Regresión Lineal
Modelo de Regresión Lineal Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Introducción Un ingeniero, empleado por un embotellador de gaseosas,
Más detallesREGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE
UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o
Más detallesPor qué unos cerezos tienen mayor volumen que otros?
En la siguiente tabla se muestra el volumen (en pies cúbicos) de 31 cerezos. Observamos que no todos los cerezos tienen el mismo volumen, es decir, constatamos variabilidad en el volumen de los cerezos.
Más detallesUnidad Temática 3: Estadística Analítica. Unidad 9 Correlación y Regresión Lineal Simple
Unidad Temática 3: Estadística Analítica Unidad 9 Correlación y Regresión Lineal Simple Análisis de Correlación Creado por Karl Pearson en 1920. Tiene el propósito de medir el grado de asociación observado
Más detallesTEMA 4 CUESTIONARIO DE AUTOEVALUACIÓN
4.5.- En cuál de los siguientes casos se podría utilizar la varianza residual en lugar del coeficiente de determinación para medir la calidad del ajuste? Con el mismo conjunto de datos y dos ajustes distintos.
Más detallesVARIABLES ESTADÍSTICAS BIDIMENSIONALES
VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes
Más detalles7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE
ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago
Más detallesSOLUCIONES AL EXAMEN DE SEPTIEMBRE DE ESTADÍSTICA EXAMEN DE MATEMÁTICAS II
SOLUCIONES AL EXAMEN DE SEPTIEMBRE DE 4. ESTADÍSTICA EXAMEN DE MATEMÁTICAS II Estadística (primer parcial). Septiembre de 4.- El coeficiente de determinación R nos determina a) el % de la varianza de Y
Más detallesEstadística Descriptiva II: Relación entre variables
Estadística Descriptiva II: Relación entre variables Iniciación a la Investigación Ciencias de la Salud MUI Ciencias de la Salud, UEx 25 de octubre de 2010 De qué trata? Descripción conjunto concreto de
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 detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
Más detallesASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN
CURSO DE BIOESTADÍSTICA BÁSICA Y SPSS ASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN Amaia Bilbao González Unidad de Investigación Hospital Universitario Basurto (OSI Bilbao-Basurto)
Más detallesLos estimadores mínimo cuadráticos bajo los supuestos clásicos
Los estimadores mínimo cuadráticos bajo los supuestos clásicos Propiedades estadísticas e inferencia Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni MCO bajo los supuestos clásicos 1
Más detallesUNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL. Tema:
UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL Tema: Correlación múltiple y parcial. Ecuaciones y planos de regresión La Plata, septiembre
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 detallesLección 3. Análisis conjunto de dos variables
Lección 3. Análisis conjunto de dos variables Estadística Descriptiva Parcialmente financiado a través del PIE13-04 (UMA) GARCÍA TEMA 3. ANÁLII CONJUNTO DE DO VARIABLE 3.1 COVARIANZA COEFICIENTE DE CORRELACIÓN
Más detallesEstadística II Ejercicios Tema 5
Estadística II Ejercicios Tema 5 1. Considera los cuatro conjuntos de datos dados en las transparencias del Tema 5 (sección 5.1) (a) Comprueba que los cuatro conjuntos de datos dan lugar a la misma recta
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesEstadística II Examen final enero 19/1/17 Curso 2016/17 Soluciones Duración del examen: 2 h y 15 min
Estadística II Examen final enero 19/1/17 Curso 016/17 Soluciones Duración del examen: h y 15 min 1. 3 puntos El Instituto para la Diversificación y Ahorro de la Energía IDAE ha publicado un estudio sobre
Más detallesInformación sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992.
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Análisis y Diseño de Modelos Econométricos Profesor: MSc. Julio Rito Vargas Avilés. Participantes: Docentes /FAREM-Carazo Encuentro No.4
Más detallesTEMA 3 Modelo de regresión simple
TEMA 3 Modelo de regresión simple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Planteamiento del problema.
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 detallesObjetivo: Proponer modelos para analizar la influencia
TEMA 3: REGRESIÓN LINEAL SIMPLE Objetivo: Proponer modelos para analizar la influencia de una variable cuantitativa sobre un fenómeno que nos interesa estudiar. 1. Modelo lineal l de regresión 2. Estimación
Más detallesTema 7: Introducción a la Teoría sobre Estimación
Tema 7: Introducción a la Teoría sobre Estimación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 7: Introducción a la Teoría sobre Estimación
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
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 detallesEstadística II. Laura M. Castro Souto
Estadística II Laura M. Castro Souto Segundo Cuatrimestre Curso 2000/2001 Modelos de Regresión Diferencias con el Diseño de Experimentos Los modelos de regresión estudian relaciones numéricas entre variables
Más detallesBLOQUE III: INFERENCIA ESTADISTICA. X, variable aleatoria de interés sobre una determinada población
BLOQUE III: INFERENCIA ESTADISTICA TEMA 8. MUESTREO Y DISTRIBUCIONES DE MUESTREO 1. Introducción a la Inferencia Estadística X, variable aleatoria de interés sobre una determinada población Observar el
Más detallesDESCRIPCIÓN DE DATOS POR MEDIO DE GRÁFICAS
ÍNDICE Introducción: Entrene su cerebro para la estadística... 1 La población y la muestra... 3 Estadísticas descriptivas e inferenciales... 4 Alcanzar el objetivo de estadísticas inferenciales: los pasos
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 detallesMétodos de Investigación en Psicología (11) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández
Métodos de Investigación en Psicología (11) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández El método incluye diferentes elementos Justificación Planteamiento del problema
Más detallesANÁLISIS DE REGRESIÓN N LINEAL
ANÁLISIS DE REGRESIÓN N LINEAL Varias partes tomadas de Julio H. Cole "Nociones de Regresión Lineal" en Enciclopedia Multimedia Virtual de Economía EMVI. http://eumed.net/cursecon/medir/index.htm Análisis
Más detallesUNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 11
UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 11 DOCENTE: Ing. Patricio Puchaicela ALUMNA: Andrea C. Puchaicela G. CURSO: 4to. Ciclo de Electrónica y Telecomunicaciones AÑO
Más detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detallesRelación 3 de problemas
ESTADÍSTICA II Curso 2016/2017 Grado en Matemáticas Relación 3 de problemas 1. La Comunidad de Madrid evalúa anualmente a los alumnos de sexto de primaria de todos los colegios sobre varias materias. Con
Más detallesTema 2: Análisis de datos bivariantes
1 Tema 2: Análisis de datos bivariantes En este tema: Tabla de contingencia, tabla de doble entrada, distribución conjunta. Frecuencias relativas, marginales, condicionadas. Diagrama de dispersión. Tipos
Más detallesRelación funcional Dos variables x e y están relacionadas funcionalmente cuando conocida la primera se
Distr ibuciones bidim ensionales Relación funcional Dos variables x e y están relacionadas funcionalmente cuando conocida la primera se puede saber con exactitud el valor de la segunda. Ejemplos Si se
Más detallesEscuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez.
Escuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez. Econometría Regresión Múltiple: Municipio Ocupados Población Analfabeta Mayor de 10 años Total de Viviendas Bejuma 18.874 1.835
Más detallesEstadística II Examen Final 19/06/2015 Soluciones. Responda a las preguntas siguientes en los cuadernillos de la Universidad
Estadística II Examen Final 19/06/2015 Soluciones Responda a las preguntas siguientes en los cuadernillos de la Universidad Utilice diferentes cuadernillos para responder a cada uno de los ejercicios Indique
Más detallesEstadística Inferencial
Estadística Inferencial 1 Sesión No. 9 Nombre: Regresión y correlación lineal Contextualización En la administración, las decisiones suelen basarse en la relación entre dos o más variables. En esta sesión
Más detallesTaller I Econometría I
Taller I Econometría I 1. Considere el modelo Y i β 1 + ɛ i, i 1,..., n donde ɛ i i.i.d. N (0, σ 2 ). a) Halle el estimador de β 1 por el método de mínimos cuadrados ordinarios. Para realizar el procedimiento
Más detallesModelo de Análisis de la Covarianza. Introducción al modelo de Medidas Repetidas
Modelo de Análisis de la Covariza. Introducción al modelo de Medidas Repetidas Modelo de Análisis de la Covariza Introducción El diseño por bloques se considera para eliminar el efecto de los factores
Más detallesEstadística II Ejercicios Tema 4
Estadística II Ejercicios Tema 4 1. Los siguientes datos muestran la estatura (en cm.) y el peso (en Kg.) para una muestra de cinco alumnos de una clase: estatura (cm.) peso (Kg.) 154 60 158 62 162 61
Más detallesRegresión Lineal Simple. Dr. Víctor Aguirre Torres, ITAM. Guión 11.
Regresión Lineal Simple 1 Propósito Cuantificar el cambio en el valor esperado de una variable (y) en función de otra variable (x). y=var. Dependiente (cuantitativa) x=var. Explicativa (cuantitativa) 2
Más detallesCoeficiente de Correlación
Coeficiente de Correlación Al efectuar un análisis de regresión simple (de dos variables) necesitamos hacer las siguientes suposiciones. Que las dos variables son mensurables Que la relación entre las
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 detallesRegresión Lineal. Rodrigo A. Alfaro. Rodrigo A. Alfaro (BCCh) Regresión Lineal / 16
Regresión Lineal Rodrigo A. Alfaro 2009 Rodrigo A. Alfaro (BCCh) Regresión Lineal 2009 1 / 16 Contenidos 1 Regresiones Lineales Regresión Clásica Paquetes estadísticos 2 Estadísticos de Ajuste Global 3
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 detallesDistribuciones bidimensionales
Distribuciones bidimensionales Dos variables x e y están relacionadas funcionalmente cuando conocida la primera se puede saber con exactitud el valor de la segunda. Ejemplo Si se deja caer una piedra,
Más detallesLa línea recta: Serie1
La línea recta: En una línea recta tenemos una relación entre dos variables, la independiente (x) y la dependiente (y). La forma en que se relacionan dependerá de la función que describa dicha relación.
Más detallesConocer los principales métodos de la estadística inferencial e identificar sus aplicaciones a diversas áreas del conocimiento y de la cotidianidad.
NOMBRE DEL CURSO: ESTADÍSTICA INFERENCIAL CÓDIGO: CRÉDITOS 5 PRE-REQUISITO: POST-REQUISITO: JORNADA: PRESENTACIÓN: Se estudian los métodos más importantes de la estadística inferencial, enfocándose principalmente
Más detallesESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 7) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía
ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 7) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía VIDEOCLASE: La Correlación. https://www.intecca.uned.es/portalavip/grabacion.php?id_grabacion=56932&id_sala=605
Más detallesTEMA Nº 2 CONTRASTE DE HIPÓTESIS EN LOS DISEÑOS DE UNA MUESTRA
TEMA Nº 2 CONTRASTE DE HIPÓTESIS EN LOS DISEÑOS DE UNA MUESTRA TIPOS DE CONTRASTE Contrastes paramétricos: Son aquellos que se relacionan con el estudio de un parámetro poblacional (media, varianza, proporción,
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 4)
OBJETIVOS DE APRENDIZAJE: TEMA Nº ANÁLISIS CONJUNTO DE DOS VARIABLES Distinguir entre variables cualitativas y cuantitativas, y saber elegir los métodos en cada caso. Conocer métodos gráficos y cuantitativos
Más detallesUnidad 1 DISTRIBUCIONES MUESTRALES Objetivo particular El alumno identificará distribuciones discretas y continuas, obtendrá la probabilidad de
Nombre de la materia Estadística Inferencial Departamento Ciencias Aplicadas de la Información Academia Ciencias Básicas Clave Horas-teoría Horas-práctica Horas-AI Total-horas Créditos I4863 60 20 0 80
Más detallesNota de los autores... vi
ÍNDICE Nota de los autores... vi 1 Qué es la estadística?... 1 1.1 Introducción... 2 1.2 Por qué se debe estudiar estadística?... 2 1.3 Qué se entiende por estadística?... 4 1.4 Tipos de estadística...
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 detallesPrincipios de Bioestadística
Principios de Bioestadística Dra. Juliana Giménez www.cii.org.ar Nos permite Llegar a conclusiones correctas acerca de procedimientos para el diagnostico Valorar protocolos de estudio e informes Se pretende
Más detallesDos variables x e y están relacionadas funcionalmente cuando conocida la primera se puede saber con exactitud el valor de la segunda.
Dos variables x e y están relacionadas funcionalmente cuando conocida la primera se puede saber con exactitud el valor de la segunda. Ejemplos Si se deja caer una piedra, existe una fórmula que nos permite
Más detallesEstadística II Examen final junio 27/6/17 Curso 2016/17 Soluciones
Estadística II Examen final junio 27/6/7 Curso 206/7 Soluciones Duración del examen: 2 h y 5 min. (3 puntos) Los responsables de un aeropuerto afirman que el retraso medido en minutos en el tiempo de salida
Más detallesDefinición de Correlación
Definición de Correlación En ocasiones nos puede interesar estudiar si existe o no algún tipo de relación entre dos variables aleatorias: Estudiar cómo influye la estatura del padre sobre la estatura del
Más detalles= 15 CALIFICACION:
6 + 4 + 5 = 15 CALIFICACION: Vacacion.xls Este fichero está adaptado del fichero vacation.gdt del libro de Hill et al.(2008) que se puede descargar en: http://gretl.sourceforge.net/gretl data.html PARTE
Más detallesEconometría Aplicada
Econometría Aplicada Inferencia estadística, bondad de ajuste y predicción Víctor Medina Intervalos de confianza Intervalos de confianza Intervalos de confianza Intervalos de confianza La pregunta que
Más detallesEstadística II Examen final junio - 17/06/16 Curso 2015/16 Soluciones Duración del examen: 2 h. y 45 min.
Estadística II Examen final junio - 17/06/16 Curso 201/16 Soluciones Duración del examen: 2 h. y 4 min. 1. (3, puntos) La publicidad de un fondo de inversión afirma que la rentabilidad media anual del
Más detallesANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS
ANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS NOV 2015 PLAN DE ESTUDIO 1. ESTADISTICA DESCRIPTIVA 1. MEDIDAS DE TENDENCIA CENTRAL PRIMER MOMENTO 2. OTRAS MEDIDAS DE TENDENCIA CENTRAL 3. MEDIDAS
Más detallesContenido. vii. Prólogo... i Presentación... iii Grupo de trabajo...v. 1. Introducción y conceptos preliminares...1
Contenido Prólogo... i Presentación... iii Grupo de trabajo...v 1. Introducción y conceptos preliminares...1 2. Tipos de modelos estadísticos lineales...19 Caso 2.1...20 Caso 2.2...26 Caso 2.3...30 3.
Más detallesTécnicas de Inferencia Estadística II. Tema 6. Contrastes de independencia
Técnicas de Inferencia Estadística II Tema 6. Contrastes de independencia M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2015/16 Contenidos 1. Introducción 2.
Más detalles