llamadas variables independientes, d e es, tomando valores en R las p+1 variables consideradas.
|
|
- Josefa Araya Vázquez
- hace 5 años
- Vistas:
Transcripción
1 Análss de Regresón Lneal Mª Dolores Cubles de la Vega Departamento de Estadístca e Investgacón Operatva Unversdad de Sevlla El Análss de Regresón es un conjunto de técncas estadístcas cuyo objetvo es nvestgar la posble relacón exstente entre una varable Y, llamada varable dependente o respuesta, y un conjunto de p varables X,...,X p llamadas varables ndependentes, d e es, tomando valores en R las p+ varables consderadas. Se aplca en numerosas áreas como la Economía, Ingenería, Medcna, Cencas Socales, y en partcular dentro de las Tecnologías de la Informacón. Cuando p= se tene una sola varable ndependente, que se denotará por X, hablándoseentalcasodeanálss de Regresón Smple.
2 Dentro del Análss de Regresón Smple puede dstngurse, según Cramer (97): Análss de Regresón Smple I: cuyo objetvo es el de construr una funcón ϕ(x) que permta obtener la mejor representacón posble de la varable Y, en el sentdo del sguente prncpo de mínmos cuadrados: Mn ϕ [ ϕ(x )] E Y Se demuestra que la solucón a este problema se obtene para ϕ( [ ] x ) = E Y / X = x llamándose curva de regresón a la curva obtenda al representar los puntos x, E Y / X x R { ( [ ] ) } X = x, 3 Análss de Regresón II: se restrnge la búsqueda de la funcón ϕ(x) a una determnada clase de funcones S la clase Φ es la formada por todas las funcones lneales posbles, { ϕ β, β R : ϕ( x) = β + x x R} Φ =, / β se estará efectuando un Análss de Regresón Lneal Smple. Cuando la curva de regresón sea una recta, ésta concdrá con la funcón lneal obtenda por el procedmento de mínmos cuadrados. 4
3 El estudo de la nube de puntos, correspondente a una muestra aleatora smple de la varable bl (X,Y), puede sugerr la convenenca de transformar alguna de estas varables, para que el Análss de Regresón Lneal Smple proporcone un modelo lo más representatvo posble de las nuevas varables resultantes. La realzacón de un Análss de Regresón Lneal Smple no suele ser automátca, sno que requere un proceso teratvo en el que se pueden consderar varos modelos dl matemátcos alternatvos. Para cada uno de estos modelos alternatvos debe realzarse su dagnoss y valdacón, proceso que consste en la comprobacón de las hpótess asocadas, así como evaluar la caldad de la aproxmacón. 5 Dagrama de flujo de este proceso teratvo. Comenzo Formular un modelo Estmacón de lo s parámetros Dagnoss y valdacón N o Correcto? Sí Evaluar el ajuste N o Correcto? Sí Fn 6
4 La construccón de un modelo de aproxmacón medante un Análss de Regresón Lneal Smple permte efectuar dos tpos de análss: Análss de Predccón, donde a partr del descubrmento de asocacones, y la habldad para expresar tales asocacones en una forma matemátca precsa, se pueden obtener predccones de un valor no observable de la varable Y a partr del valor de la varable X. Análss de Correlacón, cuyo objetvo es caracterzar la formadelaasocacónexstente,asícomomedrsufuerzao ntensdad. 7 El método de mínmos í cuadrados, d procedmento usualmente empleado para estmar los parámetros en los modelos de regresón, fue propuesto ndependentemente por Carl Fredrch Gauss en Alemana, sobre 795 y por Adren Mare Legendre en Franca, sobre 85. Las prmeras aplcacones del método se hceron en astronomía y geodesa. La prmera publcacón ó relaconada coneste tema aparece en 85 en un apéndce del lbro de Legendre que trata sobre la determnacón de las órbtas de los planetas, descrbendo el método de mínmos cuadrados como un procedmento algebraco (no probablístco) para ajustar una ecuacón lneal a los datos. Posterormente, entre 89 y 88, Gauss y Laplace deron los fundamentos probablístcos blí deestemétodo. d 8
5 Modelo de Regresón Lneal Smple 9 Se consdera el modelo de Regresón Lneal Smple poblaconal sguente: Y = β + β X + ε Donde Y denota la varable dependente (tambén llamada respuesta), X es la varable ndependente (tambén llamada predctora), ε representa una perturbacón aleatora o error cuya presenca representa la no exstenca de una relacón exacta, y β, β son coefcentes ó parámetros desconocdos.
6 En este modelo teórco se suponen las sguentes condcones: a) E[ε]=. b) V[ε]=E[ε] ]=σ. c) Cov(ε,X)=. Para estmar los parámetros y estudar la valdez del modelo, se dspondrá de una muestra aleatora smple (X,Y ),..., (X n,yy n ). Se tendrá por tantot el sguente modelo dl de Regresón Lneal Smple Muestral: Y = β + β X + ε =,...,n El método más empleado de estmacón de los parámetros, es el de mínmos cuadrados. Supondremos conocda una realzacón (x, y ),...,(x n, y n ). Defncón. Dado el par (x,y ), y dados β, β, se defne e la predccón de Y / X = medante ˆ = β + β x y x Defncón. Se defne el error de predccón o resduo para la observacón -ésma como e = y yˆ El objetvo del método de mínmos cuadrados consste en mnmzar la suma de los cuadrados de los resduos.
7 Defncón 3. Se defnen los estmadores mínmo-cuadrátcos de los parámetros β, β como aquellos estmadores que mnmzan la suma de los resduos cuadrátcos. Se tratará por tanto de resolver el sguente problema: n Mn e = Mn β, β = β, β n ( y β β x ) PROPOSICIÓN. Supuesto que S x, los estmadores mínmo cuadrátcos de los parámetros β, β venen dados por las sguentes expresones: ˆ β = y ˆ β x = y β ˆ β = S xy S x 3 Intervalos de Confanza. Se van a construr medante el método de la cantdad pvotal. Para β : Para β : ˆ β m α ES( ˆ t n, / β ˆ β ( ˆ m t n, α / ES β) ) Para σ : ˆ ˆ ( n ) σ ( n ) σ, χ n, α / χ n, α / 4
8 Contrastes de Hpótess. Para β : El estadístco a utlzar es: H : β = H : β βˆβ T = ES ˆ β ) ( Bj Bajo H, T~t n-, por lo que la regón crítca para un contraste con nvel de sgnfcacón α es: T > t n, α / El p-valor, o probabldad de observar una desvacón de la hpótess nula gual o mayor a una desvacón observada T es: { t T } p = P n > = T 5 Análogamente se tene el sguente contraste para β : El estadístco a utlzar es: H : β = H : β ˆ β T = ES( ˆ β ) Bajo H, T~t n-, por lo que la regón crítca para un contraste con nvel de sgnfcacón α es: T > t n, α / Smlarmente al caso anteror, el p-valor vene dado por: { t } p n > = P T 6
9 La tabla de análss de la varanza (tabla ANOVA), donde se descomponelasumadecuadradostotaldelavarabledependentey según las fuentes de varacón. La estructura de esta tabla es la sguente: Fuente de Sumas de Grados de Cuadrados Estadístco Varacón Cuadrados Lbertad Medos F Regresón SC ( yˆ y) = n R = = n E = Error SC ( y yˆ ) n- Total SC ( y y) n- = n T = SC CM R = CM E R SC E = n CM F = CM R E 7 Coefcente de Determnacón. A partr de la tabla del análss de la varanza se puede calcular una medda de la bondad del ajuste proporconado p por el modelo de regresón lneal smple. DEFINICIÓN. Sedefneelcoefcente de determnacón R como la proporcón, respecto a la varacón total observada de Y, explcada por el modelo de regresón lneal: R SC SCE SC T SC T R = = R carece de undad de medda, por lo que permte comparar rectas de regresón calculadas l con varables bl dstntas. t En general, mentras más próxmo a esté el coefcente de determnacón, cabe esperar un mejor ajuste de la recta de mínmos cuadrados a la nube de puntos. 8
10 Sn embargo, la utlzacón exclusva del coefcente R como medda de la bondad del ajuste puede conducr ocasonalmente a nterpretacones erróneas sobre la relacón entre las varables X e Y, por lo que debe examnarse sempre la nube de puntos, ya que R puede ser grande aunque X e Y no esténrelaconadas e slnealmente. e e. Así, las sguentes gráfcas, presentan dos nubes de puntos, extraídas de Anscombe (973), ambas con R =.6856, pero con relacones de naturaleza muy dstntas Y 8 7 Y X X Obtencón de predccones. Predccón ó puntual Una de las prncpales aplcacones de cualquer ajuste funconal es la de predecr valores de la varable dependente para un determnado valor X=x. En el modelo de Regresón Lneal Smple, una predccón puntual para el valor de Y / X= x vene dd dada por yˆ = ˆ β + ˆ β x
11 . Estmacones por ntervalos: Intervalos de Confanza E Y / un ntervalo de confanza al (-α)% para [ ] E / X = x ( x x y ˆ ˆ m t n, α / σ + n x ) ns x Estmacones por ntervalos : Intervalos de predccón unntervalo evaode confanza a al(-α)% para a Y ( ) ˆ m tn, α / σ + + n ns x y ˆ + x x Y / X = x Análss de Correlacón El coefcente de correlacón lneal ρ entre las varables X e Y vene dado por σ ρ = σ σ Este coefcente toma valores en el ntervalo [-,] ] sendo una medda de la ntensdad y el sgno de la relacón lneal entre las dos varables. La estmacón de máxma verosmltud de ρ es: n ( X X )( Y Y ) ˆρ = r = n = = n ( X X ) ( Y Y ) Por tanto la estmacón de máxma verosmltud del coefcente de correlacón lneal poblaconal concde con el coefcente de correlacón lneal muestral r. =
12 Modelo de Regresón Lneal Múltple 3 Modelo Teórco En prmer lugar planteamos desde el punto de vsta teórco el modelo poblaconal: Y = β + β X + + β X + ε L p p. El modelo que nos permte realzar una predccón se obtene a partr de la estmacón de los parámetros que aparecen, es decr, de los coefcentes. Y * ) ) ) = β + β X β p X p 4
13 Modelo Teórco Para realzar la estmacón de los coefcentes, es necesaro consderar una muestra de la poblacón a la que se le medrá la varable objetvo o dependente, y y las varables explcatvas. Una vez obtendos estos datos, se pueden defnr los resduos como la dferenca entre el valor observado de la varable objetvo y el valor que se predecría con el modelo propuesto. 5 El modelo de regresón se estma mnmzando el error cuadrátco medo (ECM), es decr, la meda de los errores al cuadrado. d Se buscan los coefcentes tales que n mn ECM = mn ( y β βx L βpxp) = n β, β, K, βp = ( β β β p ) = = L n n n n e y x xp = =. 6
14 Los supuestos que se deben verfcar en este modelo son: Varables cuanttatvas, tanto la objetvo como las explcatvas. Para cada cd valor de la varable o varables explcatvas, epc vs, la dstrbucón de la varable objetvo debe ser normal. Al ser dfícl de comprobar esta hpótess se susttuye por que los resduos deben poseer una dstrbucón normal de meda y varanza constante. La varanza de la dstrbucón de la varable explcatva debe ser la msma para todos los valores de la varable objetvo. Relacón lneal entre las varables explcatvas y la objetvo. Observacones ndependentes. 7 Caso práctco (SPSS) Los datos del fchero arboles.sav proporconan el volumen (pes cúbcos), altura (pes) y dámetro (pulgadas) de una muestra de 3 áb árboles dl del tpo cerezo negro, en Penslvana. Objetvo: realzar un estudo sobre el rendmento de la madera, paraello,seajustaunmodeloderegresón lneal que permta predecr el volumen de un árbol cuando se conoce su altura y dámetro. 8
15 Analzar + Regresón + Lneales 9 Varable dependente: volumen Varables ndependentes : altura y dámetro 3
16 Varable dependente: volumen Varables ndependentes : altura y dámetro Se puede tambén en el cuadro de dálogo: Agrupar varables bl d ndependentesd en bloques y especfcar dstntos métodos de entrada para dferentes subconjuntos de varables. Elegr una varable de seleccón para lmtar el análss a un subconjunto de casos que tengan valores partculares para esta varable. Selecconar una varable de dentfcacón de casos para dentfcar los puntos en los dagramas. 3 Opcón Estadístcos: 3
17 Análss de los Resultados 33 Coefcente de determnacón R, se defne como la proporcón, respecto a la varacón total observada de Y, explcada por el modelo de regresón lneal: SC R SC E R = = SC SC T T El modelo ajustado explca el 94,8% de la varabldad. 34
18 Tabla de Análss de la Varanza. Para el análss de los resultados obtendos en el ajuste de un modelo de regresón lneal suele construrse la tabla de análss de la varanza (tabla ANOVA), donde se descompone la suma de cuadrados total de la varable dependente Y según las fuentes de varacón. La estructura de esta tabla desde el punto de vsta teórco es la sguente: Fuente de Varacón Sumas de Cuadrados Grados de Lbertad Cuadrados Medos Estadístco F Regresón SC ( yˆ y) = n R = p CM R = SC p R CM R F = CM E Error SC E ( y yˆ ) = n = n-p- CM E SCE = n p Total SC T ( y y) = n = n- 35 El resultado de esta tabla obtendo para el ejemplo que estamos utlzando corresponde a la sguente: Contraste Fundamental H : β = β = H : a lgún β F = 54,97 y el p-valor =, nos ndca que el conjunto formado por las varables ndependentes están relaconadas lnealmente con la varable dependente volumen. 36
19 Estmacón de los coefcentes La estmacón de los coefcentes del modelo de regresón a partr de la tabla anteror nos daría el modelo estmado: Volumen = 57, ,78 dámetro +,339 altura 37 Intervalos de Confanza Se pueden construr medante el método de la cantdad pvotal, los ntervalos de confanza para los coefcentes: Varanza: ˆ β ± t ES( ˆ β ) n p, α / ( n p ) ˆ σ ( n p ) ˆ σ, χ n p, α / χ n p, α / Aplcando estos ntervalos a los datos de nuestro ejemplo, obtenemos los sguentes resultados: IC (β ) al 95% = (-75,68, -4,93) IC (β ) al 95% = (4,67, 5,49) IC (β ) al 95% = (,73,,66) Para σ tendríamos que calcularlo, utlzando la SCE que tenemos en la tabla ANOVA, obtenendo: IC(σ ) al 95% = (,93, 4,939) 38
20 Contrastes t de Hpótess s Estadístco ˆ β T = ES ˆ β ) ( H H : β = : β Bajo H, T~t n-p-, por lo que la regón crítca para un contraste con nvel de sgnfcacón α es: T p-valor vene dado por: > t n p, α / p = P { t } n p > T En nuestro ejemplo el p-valor correspondente a este coefcente es., con lo cual podemos decr que la varable dámetro está relaconada lnealmente con la varable volumen. De la msma forma se plantea el contraste para el coefcente β,deforma que el p-valor obtendo en la tabla del SPSS corresponde a.4 conloque podemos afrmar que la varable altura está relaconada lnealmente con la varable volumen. 39 Dagnoss y Valdacón del Modelo de Regresón Valdacón ó de las hpótess Lnealdad Homocedastcdad Normaldad Estudo de la caldad de las observacones 4
21 Para comprobar que se verfcan las hpótess del modelo nos basamos en el estudo de los resduos. Un análss cudadoso d de los resduos puede nformarnos sobre el cumplmento de los msmos. En algunos casos usaremos análss gráfcos y en otros numércos. Resduos Se defnen como las dferencas entre los valores calculados por el modelo y los realmente observados en la varable dependente 4 Tpos de Resduos Resduo (No tpfcado) : dferenca entre el valor observado y el valor pronostcado por el modelo. = y yˆ = y ˆ β ˆ β x e Resduo Tpfcado : el resduo dvddo por una estmacón de su error típco. (Tambén conocdos como resduos de Pearson) Tenen meda y desvacón típca. e r = σˆ h Resduo elmnado estudentzado : Resduo para un caso cuando ese caso se excluye del cálculo de los coefcentes, dvddo por su error típco. e t = h ˆ σ ( ) 4
22 Lnealdad d y homocedastcdad d d Las gráfcas de los resduos (e, r ó t) frente a las predccones son muy útles para dentfcar posbles volacones de las hpótess ncales en cuanto a la lnealdad y la homogenedad de las varanzas. La nterpretacón a partr de la nube de puntos obtenda debe ser smétrca respecto al eje horzontal (para verfcar la lnealdad de la relacón) y de anchura constante (para confrmar la homogenedad de las varanzas). 43 Ejemplos 3 () (a) 3 t t , -,5 -, -,5,,5,,5, Predccones Predccones (a) Comportamento satsfactoro (b) La varanza crece con la magntud de las predccones 44
23 3,,5, t t,5, -,5 -, -,5-3 -, -,5 -, -,5,,5,,5, -, -, -,5 -, -,5,,5,,5, Predccones Predccones (c )La varanza crece con la magntud de las predccones y además se observa fl falta de lnealdadld d (d) Ausenca de lnealdad 45 Estudo de la Normaldad d El estudo de la hpótess de normaldad se basa en el análss de la normaldad de los resduos. Gráfcos de probabldad normal. Hstograma de los resduos tpfcados con la curva normal superpuesta. Métodos numércos: Test Shapro-Wlk 46
24 Gráfco de probabldad Normal Se ordenan los resduos tpfcados, r, de menor a mayor r ( ) < r() <... < r ( n ) En el gráfco de probabldad normal se representan los valores (/ ) P = n frente a F(r ), para =,,...,n, sendo F la funcón de dstrbucón de la ley N(,). 47 Contnuamos con el ejemplo arboles, representamos las gráfcas con los resduos. Opcones: Gráfcos Resduos: t o r Predccones (pronóstcos Tpfcados) ZRESID: resduos tp tpfcados cados() (r) SDRESID: resduos elmnados estudentzados (t) 48
25 Opcones: Guardar Esta opcón va a generar nuevas varables en el edtor de datos Predccones Resduos 49 Hstograma de los resduos tpfcados f con una curva normal superpuesta 5
26 Gráfco de probabldad Normal: en el eje de abcsas está representada la probabldad acumulada de los resduos y en el de ordenada la prob. acumulada teórca de una normal con meda y desvacón típca. 5 Métodos Numércos : Test de Shapro Wlk (Analzar + Estadístcos Descrptvos + Explorar + Gráfcos con pruebas de Normaldad) Resduo estandarzado (r) P valor =.644 no exsten evdencas sgnfcatvas para rechazar la hpótess de normaldad 5
27 Dagrama de dspersón (Resduos) Valdacón hpótess de lnealdad y homocedastcdad 53 Estudo de la caldad de los datos: Observacón Outler e Influenca Los casos con resduos grandes deben ser cudadosamente examnados para averguar s las puntuacones asgnadas son o no correctas o s dferen de algún modo del resto de los casos. Se llamará observacón outler a toda observacón que se desvía marcadamente de las demás respecto del modelo de regresón lneal ajustado. Se denomnará observacón nfluenca a toda observacón cuya omsón del conjunto de datos produce cambos sensbles en los resultados obtendos. 54
28 Identfcacón medante gráfcos de observacones outler e nfluenca Uno de los métodos más elementales consste en representar de manera smultánea la recta estmada por mínmos cuadrados y la nube de puntos de los valores {(x,y), =,,...,n}. 55 Ejemplos El punto A es atípco respecto a los valores de X, perono respecto al modelo de regresón lneal, ya que el valor observado de Y está próxmo al punto estmado por la recta construda sn consderar este punto. a Y A * X 56
29 El punto B es atípco para la varable X y para la varable Y, y es tambén una observacón nfluenca, puesto que la recta estmada sn él dfere de manera aprecable de la recta construda con todos los datos. 3 B Y X 57 La observacón C es atípca respecto a Y, e nfluye en el cálculo de la recta de mínmos cuadrados. En este caso el punto C no es atípco para la varable X. 4 C Y X 58
30 Método de dentfcacón de observacones outlers Utlzando los resduos elmnados estudentzados, t t > t n p, α /( n ) Aplcando al ejemplo, calculamos el valor t, 484 8,. 975 = medante Transformar + calcular+ funcón Gl nversos+ IDF.t Observando la columna de los resduos vemos que la observacón 3 toma un valor.7656 >.484, luego se puede consderar observacón outler medante este crtero. 59 Método de dentfcacón de observacones nfluenca Utlzando el estadístco D de Cook defndo D = ( ) yˆ y n ˆ j( ) j ˆ σ j= D F p >, n p, α Aplcando al ejemplo, calculamos el valor medante Transformar + calcular+ funcón Gl nversos+ IDF.F y observando la columna del estadístco D, podemos decr que no exsten observacones nfluencas. 6
31 Fnalzada esta etapa, podríamos preguntarnos s: es bueno el modelo dl deregresónajustado? d se puede mejorar este modelo? La respuesta con los datos desarrollados sería que la bondad de ajuste del modelo de regresón es adecuada (observando el valor de R), sn embargo el comportamento de los resduos en las gráfcas obtendas no es del todo adecuada para verfcar la hpótess de lnealdad, junto a la exstenca de un valor atípco (observacón 3). Solucón para posbles mejoras del modelo: ajustar un modelo de regresón ntroducendo un térmno cuadrátco para una de las varables ndependentes (dámetro, altura). fltrar la exstenca de posbles valores atípcos. 6 Propuesta. Se ntroduce en el modelo la varable dámetro al cuadrado. Varable dependente: volumen Varables ndependentes: altura, dametro Análss de los Resultados Resumen del modelo b Modelo R R cuadrado R cuadrado corregda Error típ. de la estmacón,986 a,973,97,7995 a. Varables predctoras: (Constante), dametro, altura b. Varable dependente: volumen Ecuacón de Regresón: Volumen = altura +.68 dametro 6
32 Valdacón hpótess con los resduos Student zed Deleted Resdual Pruebas de normaldad Kolmogorov-Smrnov a Shapro-Wlk Estadístco gl Sg. Estadístco gl Sg. *. Este es un límte nferor de la sgnfcacón verdadera. a. Correccón de la sgnfcacón de Lllefors,6 3,*,955 3, p valor 63 Propuesta. Se ntroduce en el modelo la varable altura al cuadrado. Varable dependente: volumen Varables ndependentes: altura, dametro Análss de los Resultados Modelo Ecuacón de Regresón: Resumen del modelo b R cuadrado Error típ. de l a R R cuadrado corregda estmacón,974 a,949,945 3,8468 a. Varables predctoras: (Constante), dámetro, altura b. Varable dependente: volumen Volumen = altura dametro 64
33 Valdacón hpótess ncales Student zed Deleted Resdual Pruebas de normaldad Kolmogorov-Smrnov a Shapro-Wlk Etdít Estadístco gl Sg. Etdít Estadístco gl Sg. *. Este es un límte nferor de la sgnfcacón verdadera. a. Correccón de la sgnfcacón de Lllefors,4 3,*,978 3,769 p valor 65 Propuesta 3. Fltramos la observacón 3 (outler) Varable dependente: volumen Varables ndependentes: altura, dametro Análss de los Resultados Ecuacón de Regresón: Resumen del modelo b Modelo R R cuadrado R cuadrado corregda Error típ. de la estmacón,97 a,944,94 3,4896 a. Varables predctoras: (Constante), altura, dámetro b. Varable dependente: volumen Volumen = altura dametro 66
34 Dagrama de dspersón (valdacón hpótess ncales) 67 Test de Shapro Wlk (valdacón hpótess de normaldad ) Student zed Deleted Resdual Pruebas de normaldad Kolmogorov-Smrnov a Shapro-Wl k Estadístco gl Sg. Estadístco gl Sg. *. Este es un límte nferor de la sgnfcacón verdadera. a. Correccón de la sgnfcacón de Lllefors,8 3,*,96 3,353 Analzadas todas las propuestas p posbles, se seleccona la más adecuada que podría ser cualquera de las tres mrando la bondad del ajuste. En cuanto a la valdacón de las hpótess ncales observamos que el gráfco de dspersón de la propuesta valda de forma más clara las hpótess de lnealdad y homocedastcdad. 68
35 Obtencón de Predccones Una de las prncpales p aplcacones de cualquer ajuste funconal es la de predecr valores de la varable dependente para un determnado valor X=x. En el modelo de Regresón Lneal, una predccón puntual para el valor de, vene dada por y = ˆ β + ˆ β x + ˆ β ˆ... + Intervalos de predccón: estmacones por ntervalos para Y = / X x Intervalos de confanza: estmacones por ntervalos para [ Y ] E / X = x p x p 69 Estos resultados en SPSS se obtenen ndcando en el menú de Guardar los Valores pronostcados no tpfcados como predccón puntual los ntervalos de pronóstcos señalando las dos opcones posbles que corresponden a los ntervalos de confanza (meda) y los ntervalos de predccón (ndvduos) como se muestran en la sguente pantalla: Predccón puntual Predccón Por ntervalos 7
36 Sguendo con nuestro ejemplo vamos a calcular el volumen medo estmado así como los ntervalos de confanza y predccón de los árboles de dámetro y altura 8. Para ello añadmos estos datos en el edtor de datos y volvemos a realzar el ajuste de la regresón tenendo en cuenta las opcones d ndcadasd en el párrafoanteror, como se muestra en la pantalla. tll Nota: Nos quedamos con la propuesta por tanto utlzamos la varable dametro, luego el valor a ntroducr es dametro=44 Los resultados obtendos para el modelo ncal: Predccón puntual del volumen de Intervalo de confanza para la meda (7.34;78.697) Intervalo de predccón para los ndvduos( ;8.975). 7 Representamos el gráfco de dspersón junto a la ecuacón de regresón ajustada y los ntervalos de confanza y de predccón obtenendo el sguente gráfco: 7
37 Técncas de seleccón de varables En muchas stuacones se dspone de un conjunto grande de varables ndependentes, nos podemos plantear s todas las varables son necesaras para realzar el modelo de regresón ó podemos tomar un subconjunto de esas varables. La colnealdad o multcolnealdad es una stuacón no deseable en la que las varables ndependentes es una funcón lneal de otras varables ndependentes, esto hace que los parámetros del modelo sean muy nestables, con varanzas muy grandes. 73 Técncas de seleccón de varables Para soluconar el problema planteado exsten dferentes procedmentos estadístcos: (SPSS) Introducr Elmnar Haca delante Haca atrás Pasos sucesvos 74
38 Introducr : procedmento para la seleccón de varables en el que todas las varables de un bloque se ntroducen en un solo paso. Elmnar: Procedmento para la seleccón de varables en el que las varables de un bloque se elmnan en un solo paso. Haca delante: las varables se ntroducen secuencalmente en el modelo. La prmera varable para entrar será la que tenga mayor correlacón (valor absoluto) con la varable dependente y además debe cumplr un crtero de entrada. De forma sucesva rán entrado el resto da varables. El crtero termna cuando ya no quedan varables que satsfagan el crterode entrada. 75 Haca atrás: se ntroducen todas las varables en la ecuacón y después se van excluyendo una tras otra. Aquella varable que tenga la menor correlacón parcal con la varable dependente será la prmera en ser consderada para su exclusón. S satsface el crtero de exclusón será elmnada. El procedmento termna cuando ya no quedan en la ecuacón varables que satsfagan el crtero de exclusón. 76
39 Pasos sucesvos: En cada paso se ntroduce la varable bl ndependente que no se encuentre ya en la ecuacón y que tenga la probabldad para F más pequeña, s esa probabldad es sufcentemente pequeña. Las varables ya ntroducdas en la ecuacón de regresón se elmnan de ella s su probabldad para F llega a ser sufcentemente grande. El método termna cuando ya no haya más varables bl canddatasaser ncludas d oelmnadas. 77 Fchero: Arepolu.sav Varables explcatvas: Cantdad de lluva regstrada (lluva), nvel de educacón (educa), densdad de poblacón (densdad), porcentaje de etnas mnortaras (pormn), nvel de contamnacón por ntrógeno (nox), nvel de contamnacón por azufre (so), logartmo neperano del nvel de contamnacón ó por ntrógeno (lnox) y logartmo neperano del nvel de contamnacón por azufre (lnso). Varable objetvo: Tasa de mortaldad (tasamor). Objetvos: Estudar los factores soco-culturales que nfluyen en la tasa de mortaldad de los estados. 78
40 Método Paso a Paso (Pasos Sucesvos) En la entrada de datos añadmos el método de pasos sucesvos, con objeto de selecconar las varables ndependentes que deben entrar en el modelo de regresón. 79 Resumen del lanálss de Resultados Varables ntroducdas/elmnadas a Modelo 3 4 Varables ntroducdas Varables elmnadas PORMIN, EDUCA, LNSO, LLUVIA, a. Varable dependente: TASAMOR Método Por pasos (crtero: Prob. de F para entrar <=,5, Prob. de F para salr >=,). Por pasos (crtero: Prob. de F para entrar <=,5, Prob. de F para salr >=,). Por pasos (crtero: Prob. de F para entrar <=,5, Prob. de F para salr >=,). Por pasos (crtero: Prob. de F para entrar <=,5, Prob. de F para salr >=,). Esta tabla nos ndca que el algortmo de pasos sucesvos ha realzado 4 teracones en la prmera entra la varable pormn y no sale nnguna varable, en las sguentes etapas van entrando las varables educa, lnso y lluva respectvamente pero no sale nnguna de las varables que están dentro. 8
41 Modelo 3 4 LLUVIA EDUCA DENSIDAD NOX SO LNSO LNOX LLUVIA DENSIDAD NOX SO LNSO LNOX LLUVIA DENSIDAD NOX SO LNOX DENSIDAD NOX SO LNOX Varables excludas e Estadístcos de Correlacón colnealdad Beta dentro t Sg. parcal Toleranca,94 a,85,7,349,89 -,393 a -4,385, -,5,956,7 a,84,6,35, -,89 a -,888,378 -,7,,33 a 3,576,,48,975,37 a 4,7,,484,997,76 a,75,85,6,964,9 b,94,38,58,658,87 b,35,37,74,94, b,4,997,,945,6 b 3,98,3,38,93,9 b 3,535,,47,934, b,36,4,97,96,64 c,68,,34,593,74 c,84,45,8,76 -,59 c -,77,8 -,3,76,9 c,73,479,96,387 -,6 c -,469,64 -,63,378,73 d,83,4,,76 -,73 d -,75,457 -,,6,4 d,59,5,56,379,7 d,9,37,,9 a. Varables predctoras en el modelo: (Constante), PORMIN b. Varables predctoras en el modelo: (Constante), PORMIN, EDUCA c. Varables predctoras en el modelo: (Constante), PORMIN, EDUCA, LNSO d. Varables predctoras en el modelo: (Constante), PORMIN, EDUCA, LNSO, LLUVIA e. Varable dependente: TASAMOR 8 Resumen del modelo Modelo 3 4 R cuadrado Error típ. de la R R cuadrado corregda estmacón,644 a,44,44 48,638,75 b,56,547 4,898,8 c,64,63 38,49,87 d,683,66 36,6387 a. Varables predctoras: (Constante), PORMIN b. Varables predctoras: (Constante), PORMIN, EDUCA c. Varables predctoras: (Constante), PORMIN, EDUCA, LNSO d. Varables predctoras: (Constante), PORMIN, EDUCA, LNSO, LLUVIA Contraste fundamental ANOVA ANOVA e R =,683 Modelo 3 4 Regresón Resdual Total Regresón Resdual Total Regresón Resdual Total Regresón Resdual Total Suma de Meda cuadrados gl cuadrátca F Sg , ,849 4,3, a 33778, , , ,4 646,7 36,56, b 3, ,93 835, , ,348 33,457, c 8777, ,37 835, , ,7 9,66, d 738, ,68 835,77 59 a. Varables predctoras: (Constante), PORMIN b. Varables predctoras: (Constante), PORMIN, EDUCA c. Varables predctoras: (Constante), PORMIN, EDUCA, LNSO d. Varables predctoras: (Constante), PORMIN, EDUCA, LNSO, LLUVIA e. Varable dependente: TASAMOR 8
42 Modelo 3 4 (Constante) PORMIN (Constante) PORMIN EDUCA (Constante) PORMIN EDUCA LNSO (Constante) PORMIN EDUCA LNSO LLUVIA a. Varable dependente: TASAMOR Ecuacón de Regresón: Coefcentes a Coefcentes Coefcentes no estandarzad estandarzados os B Error típ. Beta t Sg. 887,,376 85,5, 4,488,7,644 6,43,,376 74, ,6, 3,96,65,56 6,64, -8,93 6,597 -,393-4,385,,938 73,546 5,9, 3,98,57,56 6,87, -3,4 6,7 -,38-3,766,,5 3,437,9 3,535, 943,769 93,846,57, 3,3,585,476 5,67, -3,885 6,888 -,89 -,6,49 5,43 3,435,36 4,379,,645,64,64,68, Tasamor =943, ,3 PORMIN 3,885 EDUCA + 5,43 LNSO +,645LLUVIA 83
Modelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
Más detallesInferencia en Regresión Lineal Simple
Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesRegresión múltiple k k
Métodos de Regresón Estadístca Ismael Sánchez Borrego Regresón múltple El modelo de regresón múltple es la extensón a k varables explcatvas del modelo de regresón smple estudado en el apartado anteror.
Más detallesUNIDAD 12: Distribuciones bidimensionales. Correlación y regresión
Matemátcas aplcadas a las Cencas Socales UNIDAD 1: Dstrbucones bdmensonales. Correlacón regresón ACTIVIDADES-PÁG. 68 1. La meda la desvacón típca son: 1,866 0,065. Los jugadores que se encuentran por encma
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas
Más detallesInstituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm
Insttuto Tecnológco Superor del Sur del Estado de Yucatán REGRESI EGRESIÓN LINEAL 100 90 80 70 60 10 kg. 50 40 10 cm. 30 140 150 160 170 180 190 200 Objetvo de la undad Insttuto Tecnológco Superor del
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 20 DE JUNIO DE horas
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 0 DE JUNIO DE 018 15.30 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta 1 A B C En Blanco
Más detallesRegresión lineal y correlación lineal
UNIVERSIDAD ESTATAL DEL SUR DE MANABÍ Creada medante regstro Ofcal 61 del 7 de Febrero del 001 CARRERA DE AUDITORÍA Novembre 016 abrl 017 Semnaro de Investgacón Regresón lneal y correlacón lneal Dra. Marsabel
Más detallesa) DIAGRAMA DE DISPERSION
SIS 335 - A EJEMPLO.- Se ha recogdo datos de una localdad medante sendas encuestas sobre el consumo (Y) de productos de hogar y de la renta (X) de los consumdores consultados, obtenéndose los sguentes
Más detallesPrueba de Evaluación Continua
Estadístca Descrptva y Regresón y Correlacón Prueba de Evaluacón Contnua 1-III-18 1.- Dada la varable x y la nueva varable y=a+bx, ndcar (demostrándolo) la expresón exstente entre las respectvas medas
Más detallesPRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general). 3. En el modelo lneal general Y = X b + e, explcar la forma
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 17 de Mayo de :00 horas
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 7 de Mayo de 08 9:00 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta A B C En Blanco
Más detallesAJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON.
AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON. Revsta Voluntad Hdráulca No. 57, 98. Págnas 58-64 RESUMEN Se nforma sobre el desarrollo del método
Más detallesRegresión y Correlación Métodos numéricos
Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesTema 1: Estadística Descriptiva Unidimensional
Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Junio de :00 horas. Pregunta 19 A B C En Blanco. Pregunta 18 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Juno de 3 9: horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta A B C En Blanco Pregunta
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septiembre de :30 horas. Pregunta 19 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septembre de 01 15:30 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta 1 A B C
Más detallesTema 2.- Regresión lineal múltiple (I) Introducción 2.2. Especificación del modelo de regresión lineal múltiple. 2.3.
Tema.- Regresón lneal múltple (I)... Introduccón.. Especfcacón del modelo de regresón lneal múltple..3. Estmacón de los parámetros del modelo por mínmos cuadrados..4. Interpretacón de la ecuacón de regresón..5.
Más detallesMª Dolores del Campo Maldonado. Tel: :
Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesPrueba de Inferencia Estadística y Contraste de Hipótesis. 8 de octubre de 2012 GRUPO A
Prueba de Inferenca Estadístca y Contraste de Hpótess 8 de octubre de 01 GRUPO A 1.- Se ha observado un ángulo cnco veces, obtenéndose los sguentes valores: Se pde: 65º5 ; 65º33 ; 65º3 ; 65º8 ; 65º7 a)
Más detallesAnálisis de la varianza de un factor
Análss de la varanza de un factor El test t de muestras se aplca cuando se queren comparar las medas de dos poblacones con dstrbucones normales con varanzas guales y se observan muestras ndependentes para
Más detallesRegresión Lineal Simple y Correlación
4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse
Más detallesLicenciatura en Administración y Dirección de Empresas INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL
INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL Relacón de Ejerccos nº 2 ( tema 5) Curso 2002/2003 1) Las cento trenta agencas de una entdad bancara presentaban, en el ejercco 2002, los sguentes datos correspondentes
Más detallesLo que nos interesa en el análisis de varianza de una vía es extender el test t para dos muestras independientes, para comparar más de dos muestras.
Capítulo : Comparacón de varos tratamentos o grupos Muchas preguntas de nvestgacón en educacón, pscología, negocos, ndustra y cencas naturales tenen que ver con la comparacón de varos grupos o tratamentos.
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesHeight (altura) Extraction (extracción)
Regresón Posson Resumen El procedmento Regresón Posson está dseñado para ajustar un modelo de regresón en el cual la varable dependente Y consste de conteos. El modelo de regresón ajustado relacona Y con
Más detallesCASO PRÁCTICO TEORÍA. 1 i (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS)
Caso 6: Calbrado para fosfato y predccón nversa 43 Caso 6 : Calbrado para fosfato y predccón nversa (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS) CASO PRÁCTICO Al hacer calbrados con
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesEspecialista en Estadística y Docencia Universitaria REGRESION LINEAL MULTIPLE
Especalsta en Estadístca y Docenca Unverstara REGRESION LINEAL MULTIPLE El modelo de regresón lneal múltple El modelo de regresón lneal múltple con p varables predctoras y basado en n observacones tomadas
Más detallesT. 9 El modelo de regresión lineal
1 T. 9 El modelo de regresón lneal 1. Conceptos báscos sobre el análss de regresón lneal. Ajuste de la recta de regresón 3. Bondad de ajuste del modelo de regresón Modelos predctvos o de regresón: la representacón
Más detallesAnálisis de la varianza de un factor
Análss de la varanza de un factor El test t de muestras se aplca cuando se queren comparar las medas de dos poblacones con dstrbucones normales con varanzas guales y se observan muestras ndependentes para
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesDISTRIBUCIONES BIDIMENSIONALES
Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón
Más detallesExamen Final de Econometría Grado
Examen Fnal de Econometría Grado 17 de Mayo de 2016 15.30 horas Apelldos: Grado (ADE/ ECO): Nombre del profesor(a): Nombre: Grupo: Emal: Antes de empezar a resolver el examen, rellene TODA la nformacón
Más detallesRegresión de Datos de Vida
Regresón de Datos de Vda Resumen El procedmento Regresón de Datos de Vda está dseñado para ajustar un modelo estadístco paramétrco relaconado con tempos de falla a una o más varables predctoras. Los predctores
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
Más detallesUn estimado de intervalo o intervalo de confianza ( IC
Un estmado puntual, por ser un sólo número, no proporcona por sí msmo nformacón alguna sobre la precsón y confabldad de la estmacón. Debdo a la varabldad que pueda exstr en la muestra, nunca se tendrá
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
Más detallesTema 1:Descripción de una variable. Tema 1:Descripción de una variable. 1.1 El método estadístico. 1.1 El método estadístico. Describir el problema
Tema :Descrpcón de una varable Tema :Descrpcón de una varable. El método estadístco. Descrpcón de conjuntos de datos Dstrbucones de frecuencas. Representacón gráfca Dagrama de barras Hstograma. Meddas
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detallesLección 4. Ejercicios complementarios.
Introduccón a la Estadístca Grado en Tursmo Leccón 4. Ejerccos complementaros. Ejercco 1 (juno 06). La nformacón relatva al mes de enero sobre los ngresos (X) y los gastos (Y), expresados en mles de euros,
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detalles) para toda permutación (p p 1 p
09 Elena J. Martínez do cuat. 004 Análss de la varanza de dos factores El problema anteror consderaba la comparacón de muestras para detectar dferencas entre las respectvas poblacones. En el modelo de
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesRegresión Binomial Negativa
Regresón Bnomal Negatva Resumen El procedmento Regresón Bnomal Negatva está dseñado para ajustar un modelo de regresón en el cual la varable dependente Y consste de conteos. El modelo de regresón ajustado
Más detallesRegresión y correlación simple 113
Regresón y correlacón smple 113 Captulo X ANALISIS DE REGRESION Y CORRELACION El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes
Más detallesAnálisis cuantitativo aplicado al Comercio Internacional y el Transporte
Máster de Comerco, Transporte y Comuncacones Internaconales Análss cuanttatvo aplcado al Comerco Internaconal y el Transporte Ramón úñez Sánchez Soraya Hdalgo Gallego Departamento de Economía Introduccón
Más detallesHERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS DE DOS MUESTRAS: ANOVA (PARTE I)
HERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS DE DOS MUESTRAS: Módulo 13 APUNTES DE CLASE Profesor: Arturo Ruz-Falcó Rojas Madrd, Mayo 009 Pág. 1 Módulo 13. HERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS
Más detallesTema 3: Procedimientos de Constrastación y Selección de Modelos
Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesIntroducción a la Física. Medidas y Errores
Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren
Más detallesPyE_ EF2_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesEJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales:
EJERCICIOS Tema 2: MODELO DE REGRESION LINEAL SIMPLE Ejercco 1.- Para el modelo de regresón smple sguente: Y = βx + ε =1,..., 100 se tenen las sguentes medas muestrales: ( P y ) /n =0.3065 ( P y 2 ) /n
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesCapítulo 2: ANALISIS EXPLORATORIO de DATOS Estadística Computacional 1º Semestre 2003
Unversdad Técnca Federco Santa María Departamento de Informátca ILI-80 Capítulo : ANALISIS EXPLORATORIO de DATOS Estadístca Computaconal º Semestre 003 Profesor :Héctor Allende Págna : www.nf.utfsm.cl/~hallende
Más detallesGuía para el Trabajo Práctico N 5. Métodos Estadísticos en Hidrología
Guía para el Trabajo Práctco 5 Métodos Estadístcos en Hdrología er. PASO) Realzar el ajuste de la funcón de dstrbucón normal a una muestra de datos totales anuales de una varable (caudal, precptacón, etc.)
Más detalles16/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León Índce Introduccón Varables estadístcas Dstrbucones de frecuencas Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca, armónca,
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesEstadística con R. Modelo Probabilístico Lineal
Estadístca con R Modelo Probablístco Lneal Modelo Probablístco Lneal Forma de la funcón: Y b 0 +b 1 X +e Varable dependente, endógena o a explcar dcotómca : Y, S Y 0 e -b 0 - b 1 X con probabldad p. S
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesPUBLICACIONES DE 4º CURSO
PUBLICACIONES DE 4º CURSO Grado: DERECHO-ADE Asgnatura: ECONOMERÍA Grupos: Únco ema: ESQUEMA EMA Profesores: Inmaculada Vllanúa Departamento de ANÁLISIS ECONÓMICO Curso Académco 04/5 ema : El Modelo Lneal
Más detalles17/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León 1 Índce Introduccón Varables estadístcas Dstrbucones esde frecuencas c Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca,
Más detallese i para construir el modelo econométrico que se escribe a continuación:
5.3 Especfcacón del modelo empírco Para este análss se formló n modelo econométrco de seccón crzada, porqe las observacones corresponden a las característcas de las personas encestadas en n msmo período
Más detallesRelación 2: Regresión Lineal.
Relacón 2: Regresón Lneal. 1. Se llevó a cabo un estudo acerca de la cantdad de azúcar refnada (Y ) medante un certo proceso a varas temperaturas dferentes (X). Los datos se codfcan y regstraron en el
Más detallesESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL
ESTADÍSTICA BIDIMESIOAL ÍDICE GEERAL 1.-Varable Estadístca Bdmensonal. Tablas de frecuenca... 1.1.- Concepto de varable estadístca bdmensonal. Eemplos.... 1..-Tablas bdmensonales de frecuencas. Tablas
Más detallesDescripción de una variable
Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad
Más detalles3.- Programación por metas.
Programacón Matemátca para Economstas 1 3.- Programacón por metas. Una vez menconados algunos de los nconvenentes de las técncas generadoras, la ncorporacón de nformacón se va a traducr en una accón del
Más detallesTODO ECONOMETRIA. Variables cualitativas
TODO ECONOMETRIA Varables cualtatvas Índce Defncón de las varables dummy (o varables fctcas) Regresón con varables explcatvas dummy Varables dummy S queremos estudar s los hombres ganan más que las mujeres,
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesModelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
Más detallesRiesgos Proporcionales de Cox
Resgos Proporconales de Cox Resumen El procedmento Resgos Proporconales de Cox esta dseñado para ajustar un modelo estadístco sem-parámetrco a los tempos de falla de una o mas varables predctoras. Los
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Métodos multivariantes en control estadístico de la calidad
UNIVERSIDAD NAIONAL MAYOR DE SAN MAROS FAULTAD DE IENIAS MATEMÁTIAS E.A.P. DE ESTADÍSTIA Métodos multvarantes en control estadístco de la caldad apítulo IV. Gráfcos de control MUSUM TRABAJO MONOGRÁFIO
Más detallesEjercicios y Talleres. puedes enviarlos a
Ejerccos y Talleres puedes envarlos a klasesdematematcasymas@gmal.com www.klasesdematematcasymas.com EJERCICIOS DE REGRESIONES Y ANALISIS DE COVARIANZA Analzar la nformacón recoplada por medo de los dferentes
Más detallesEstas medidas serán más significativas cuanto más homogéneos sean los datos y pueden ser engañosas cuando mezclamos poblaciones distintas.
UIDAD 3: Meddas estadístcas Las meddas estadístcas o parámetros estadístcos son valores representatvos de una coleccón de datos y que resumen en unos pocos valores la normacón del total de datos. Estas
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesResolución. Instrucciones: Leer detenidamente los siete enunciados y resolver seis de los siete problemas propuestos.
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EAMEN FINAL SEMESTRE 04
Más detalles, x es un suceso de S. Es decir, si :
1. Objetvos: a) Aprender a calcular probabldades de las dstrbucones Bnomal y Posson usando EXCEL. b) Estudo de la funcón puntual de probabldad de la dstrbucón Bnomal ~B(n;p) c) Estudo de la funcón puntual
Más detallesDiseño y Análisis de Experimentos en el SPSS 1
Dseño y Análss de Expermentos en el SPSS EJEMPLO. Los sguentes datos muestran las meddas de hemoglobna (gramos por 00 ml) en la sangre de 40 ejemplares de una espece de truchas marrones. Las truchas se
Más detallesEJERCICIOS: Tema 3. Los ejercicios señalados con.r se consideran de conocimientos previos necesarios para la comprensión del tema 3.
EJERCICIOS: Tema 3 Los ejerccos señalados con.r se consderan de conocmentos prevos necesaros para la comprensón del tema 3. Ejercco 1.R Dos bblotecas con el msmo fondo bblográfco especalzado ofrecen las
Más detallesCada uno da lo que recibe, Y luego recibe lo que da, Nada es más simple, No hay otra norma: Nada se pierde, Todo se transforma.
Cada uno da lo que recbe, Y luego recbe lo que da, Nada es más smple, No hay otra norma: Nada se perde, Todo se transforma. Todo se transforma (Jorge Drexler, cantautor uruguayo) Estadístca Básca - Manuel
Más detallesVII. Solución numérica de ecuaciones diferenciales
VII. Solucón numérca de ecuacones derencales VII. Antecedentes Sea dv dt una ecuacón derencal de prmer orden : g c m son constantes v es una varable dependente t es una varable ndependente c g v I m Las
Más detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patrca Valdez y Alfaro renev@unam.m Versón revsada: uno 08 T E M A S DEL CURSO. Análss Estadístco de datos muestrales.. Fundamentos de la
Más detallesEl Impacto de las Remesas en el PIB y el Consumo en México, 2015
El Impacto de las Remesas en el y el Consumo en Méxco, 2015 Ilana Zárate Gutérrez y Javer González Rosas Cudad de Méxco Juno 23 de 2016 1 O B J E T I V O Durante muchos años la mgracón ha sdo vsta como
Más detallesTema 9. Análisis de Varianza de un factor. Análisis de la Varianza (ANOVA) Conceptos generales
Tema 9 Análss de la Varanza (ANOVA) Conceptos generales La técnca del Análss de la Varanza consste en descomponer la varabldad de una poblacón (representada por su varanza) en dversos sumandos según los
Más detalles