DISEÑO COMPLETAMENTE ALEATORIZADO
|
|
- Virginia Páez Río
- hace 5 años
- Vistas:
Transcripción
1 DISEÑO COMPLETAMENTE ALEATORIZADO yj µ + τ + uj ; :,..., I ; j:,..., n µ : Meda general ; τ : Efecto del tratamento esmo u j : Errores expermentales HIPOTESIS DEL MODELO La meda sea cero: La varanza sea constante: Independentes entre s: E uj 0, j Var u j σ, j E uj urk 0 r o j k Dstrbucón sea Normal: u j Dstrbucón Normal
2 MODELO DE EFECTOS FIJOS yj µ + τ + uj E yj µ + τ µ n τ I 0 OBJETIVOS Estmar los Parámetros del Modelo Contrastar la Hpótess de Igualdad de los tratamentos Comprobar la Idonedad del Modelo Comparacones Múltples H H Contraste de Hpótess 0:... I : µ µ j µ µ µ µ H : τ 0 H 0 Para algún par (, j) : τ 0 Para algún
3 ANALISIS DEL MODELO DE EFECTOS FIJOS Tratamentos y... y... y n y y j n j.... n y y y y y n y y.. n I y... y... y n y y.... I Ij In I I I I N y y.. N I es el número total de observacones n. n. y. n El total y la meda del -esmo tratamento: y y j j y j y j n n El total y la meda general: I n I j j... y y y..... y I n I y y j j n y N N 3
4 ESTIMACIÓN POR MÁXIMA VEROSIMILITUD I n yj y N j ˆ.. µ τ n ˆ j ˆ... y µ y y n j I ( ) ˆ 0.. ˆ nτ GL τ I I n I n I ˆ σ ( y ˆ µ ˆ τ ) ( y y. ) n s N N N j j j j 4
5 RESIDUOS e ˆ ˆ ˆ. j yj yj yj µ τ yj y ˆ σ I n e j N j n j ej 0,..., I G.L. (RESIDUOS) N - I 5
6 PROPIEDADES DE LOS ESTIMADORES ˆµ es un estmador centrado de µ [ ] ˆ.. E µ E y µ ˆ τ es un estmador centrado de τ [ ] ˆ... E τ E y y τ ˆ σ no es un estmador centrado de σ E ˆ N I σ σ N VARIANZA RESIDUAL I n ( ) I n. S R yj y ej N I N I j j E S R σ 6
7 DESCOMPOSICION DE LA VARIABILIDAD I n I I n ( ) ( ) ( ) y y n y y + y y j j j j ( ) I n.. j j SCT y y I ( ) SCTr n y y ( ) I n. j j SCR y y... SCT SCTr + SCR I n CMTr S y Tr I y j CUADRADOS MEDIOS I n CMT S T N y j y j... ( ) ( ).. I n (. ) R N I j j CMR S y y 7
8 I n CMTr S y Tr I y j CUADRADOS MEDIOS I n CMT S T N y j y j... ( ) ( ).. I n (. ) R N I j j CMR S y y ANALISIS ESTADÍSTICO H 0: µ µ... µ I µ H 0: τ τ... τ I 0 Estadístco de Contraste F ( ) S Tr ( ) R SCTr σ I SCR σ N I S F I, N I Crtero de Rechazo Fexp > F α ; I, N I 8
9 F. V. Entre Tratamentos Resdual TOTAL TABLA ANOVA S. C. SCTr I n y y SCR I n y j y j... ( ) ( ). I n SCT y j y j ( ).. G. L. I - N - I N - C. M. S Tr S R S T Fexp Tr R S S 9
10 FORMA PRACTICA DE LA TABLA ANOVA F. V. Entre Tratamentos Resdual SCTr I S. C.... y y n N I n I j j SCR y y n. G. L. I - N - I C. M. S S Tr R TOTAL I n SCT y j j y.. N N - S T COEFICIENTE DE DETERMINACIÓN SCTr R SCT Fexp Tr R S S 0
11 Ejemplo Una compañía textl utlza dversos telares para la produccón de telas. Aunque se desea que los telares sean homogéneos con el objeto de producr telas de resstenca unforme se supone que puede haber una varacón sgnfcatva en la resstenca de la tela debdo a la utlzacón de dstntos telares. A su dsposcón tene 5 telares con los que realza determnacones de la resstenca de la tela. Este expermento se realza en orden aleatoro y los resultados se muestran en la tabla sguente. Telares Resstenca
12 Telar Observacones n. y 6 y y j y. n y n j SCT y y N j SCTr 5... y y n N SCR SCT SCTr 98
13 TABLA ANOVA F. V. S. C. G. L. C. M. Trat. Telqares Resdual TOTAL Nvel de Sgnfcacón: α ; 4,.84 F Fexp 3.55 Fexp > F-t Nvel de Sgnfcacón: α 0.0 F Fexp 3.55 Fexp > F-t 0.0; 4, 4.37 Fexp 3.55 Rech. H 0 Rech. H 0 C.D
14 MODELO DE EFECTOS ALEATORIOS yj µ + τ + uj,..., I ; j,..., n τ Varables Aleatoras E uj 0, j HIPOTESIS DEL MODELO E[ τ ] 0 Var u j σ, j [ ] Var τ σ τ E uj urk 0 r o j k Cov τ, τ j 0 j. u j Dstrbucón Normal u j y τ Son Independentes τ Dstrbucón Normal σt στ + σ 4
15 0 : 0 : 0 H στ H στ > Estadístco de Contraste F ( ) S Tr ( ) R SCTr σ I SCR σ N I S F Crtero de Rechazo Fexp > F α ; I, N I S Tr N n + S σ R ( ) N N I στ σ ˆ σ S R ( ) ˆ N N I σ τ N n ( ) S Tr S R I, N I 5
16 Ejemplo En una forja se utlzan varos hornos para calentar muestras de metal. Se supone que todos los hornos operan a la msma temperatura, aunque se sospecha que quzás esto problamente no sea certo. Se selecconan aleatoramente tres hornos y se anotan sus temperaturas en sucesvos calentamentos, obtenéndose las observacones que se muestran en la Tabla. Hornos Temperaturas
17 ˆ σ τ TABLA ANOVA F. V. S. C. G. L. C. M. Fexp C.D. Trat. Hornos Resdual TOTAL Nvel de Sgnfcacón: α ;, 3.89 F Fexp 8. 6 Fexp > F-t Rech. H 0 ( ) N N I ( ) 5 ( ) S S Tr R 5 77 N n ˆ ˆ + ˆ σt στ σ 7
DISEÑO EN BLOQUES ALEATORIZADOS
DISEÑO EN BLOQUES ALEATORIZADOS DISEÑO EN BLOQUES ALEATORIZADOS COMPLETOS DISEÑO EN BLOQUES INCOMPLETOS ALEATORIZADOS DISEÑO EN CUADRADOS LATINOS DISEÑO EN CUADRADOS GRECO-LATINOS DISEÑO EN CUADRADOS DE
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 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 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 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 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 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 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 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 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 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 detallesTEMA 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
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 detallesExperimentos con factores aleatorios. Diseño de experimentos p. 1/36
Experimentos con factores aleatorios Diseño de experimentos p. 1/36 Introducción Hasta ahora hemos supuesto que los factores de un experimento son factores fijos, esto es, los niveles de los factores usados
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 detallesANOVA. Análisis de la Varianza. Univariante Efectos fijos Muestras independientes
ANOVA Análisis de la Varianza Univariante Efectos fijos Muestras independientes De la t a la F En el test de la t de Student para muestras independientes, aprendimos como usar la distribución t para contrastar
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 detallesTema 9: Introducción al problema de la comparación de poblaciones
Tema 9: Introducción al problema de la comparación de poblaciones Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 9: Introducción al problema
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 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 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 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 detallesAnálisis de la varianza (ANOVA)
Análisis de la varianza (ANOVA) Mª Isabel Aguilar, Eugenia Cruces y Bárbara Díaz UNIVERSIDAD DE MÁLAGA Departamento de Economía Aplicada (Estadística y Econometría) Parcialmente financiado a través del
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 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 detalles1. Introducción 1.1. Análisis de la Relación
. Itroduccó.. Aálss de la Relacó Ejemplos: Relacoes fucoales de terés Redmeto Doss de fertlzate Redmeto hortícola Desdad de platacó Volume de madera a cortar Desdad de platacó Catdad de suplemeto dado
Más detallesEXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos)
EXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos) PROBLEMA 1 Se quiere comparar la cantidad de energía necesaria para realizar 3 ejercicios o actividades: andar, correr y montar en bici.
Más detallesDepartamento de Ciencias del Mar y Biología Aplicada Prof. Jose Jacobo Zubcoff
Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Prof. Jose Jacobo Zubcoff Tema 5 Modelos de dos factores-tratamiento. Se continua trabajando
Más detallesCurso de nivelación Estadística y Matemática
Curso de nivelación Estadística y Matemática Sexta clase: Programa Técnico en Riesgo, 2016 Agenda 1 2 de una vía 3 Pasos para realizar una prueba de hipótesis Prueba de hipotesis Enuncia la H 0 ylah 1,ademásdelniveldesignificancia(a).
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 detallesDiseño Estadístico de Experimentos
Capítulo 3 Diseño Estadístico de Experimentos Una prueba o serie de pruebas en las cuales se introducen cambios deliberados en las variables de entrada que forman el proceso, de manera que sea posible
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 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 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 detallesANÁLISIS DE LA VARIANZA PARTE PRIMERA
ANÁLISIS DE LA VARIANZA PARTE PRIMERA Febrero de 2012 Índice general 1. INTRODUCCIÓN............................... 1 2. FUNDAMENTOS DEL DISEÑO COMPLETAMENTE ALEATO- RIZADO....................................
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 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 detallesal nivel de significación α P6: Conclusión: Se debe interpretar la decisión tomada en Paso 5.
5. NÁLISIS DE VRINZ CONTENIDOS: OBJETIVOS: 5... Prueba de aálss de varaza. 5.. Comparacoes múltples. Determar los pasos a segur al realzar ua prueba de aálss de varaza Platear hpótess para la prueba de
Más detallesTema 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 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 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 detallesEstimación. Diseño Estadístico y Herramientas para la Calidad. Estimación. Estimación. Inferencia Estadística
Diseño Estadístico y Herramientas para la Calidad Estimación Epositor: Dr. Juan José Flores Romero juanf@umich.m http://lsc.fie.umich.m/~juan M. en Calidad Total y Competitividad Estimación Inferencia
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 detallesRegresión y correlación Tema 8. 1.1 Contraste sobre β 1.2 Regresión en formato ANOVA. 2. Correlación. Contraste sobre ρ xy
Unversdad Autónoma de Madrd 1 Regresón y correlacón Tema 8 1. Regresón lneal smple 1.1 Contraste sobre β 1. Regresón en formato ANOVA. Correlacón. Contraste sobre ρ xy Análss de Datos en Pscología II Tema
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 detallesDiseños en bloques Incompletos aleatorizados
Capítulo 6 Diseños en bloques ncompletos aleatorizados 6.0.1. ntroducción Cuando se construye un diseño en bloques aleatorizados, puede suceder que no sea posible realizar todos los tratamientos en cada
Más detallesPyE_ EF1_TIPO1_
SEMESTRE 00- TIPO DURACIÓN MÁIMA.5 HORAS DICIEMBRE DE 00 NOMBRE. El índce de clardad se determnó en los celos de Morelos, para cada uno de los 365 días de un año, obtenéndose los sguentes datos. Límtes
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 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 detalles2 Modelo de Diseño de Experimentos con dos factores sin interacción. Hipótesis del modelo
MODELO DE DISEÑO DE EXPERIMENTOS (VARIOS FACTORES) Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Los modelos de diseño de experimentos sirven, en general, para tratar de explicar
Más detallesDISEÑO FACTORIAL MODELO JERÁRQUICO (0 ANIDADO)
DISEÑO FACTORIAL Niveles de B Niveles de A 1 2 3 4 5 1 y 11 y 12 y 13 y 14 y 15 2 y 21 y 22 y 23 y y 3 y 31 y 32 y 33 y 34 y 35 4 y 41 y 42 y 43 y 44 y 45 Todos los niveles de cada factor están combinados
Más detalles1. Variable aleatoria. Clasificación
Tema 7: Varable Aleatora Undmensonal 1. Varable aleatora. Clasfcacón. Caracterzacón de una varable aleatora. Varable Aleatora dscreta. Varable Aleatora contnua 3. Característcas de una varable aleatora.
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 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 detallesTema 2: El modelo clásico de regresión
CURSO 010/011 Tema : El modelo clásco de regresón Aránzazu de Juan Fernández ECONOMETRÍA I ESQUEMA DEL TEMA Presentacón del modelo Hpótess del modelo Estmacón MCO Propedades algebracas de los estmadores
Más detallesPoblación 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia
MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen
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 detallesDiseños factoriales con tres factores
Capítulo 6 Diseños factoriales con tres factores SupongamosquehayanivelesparaelfactorA,bnivelesdelfactorBycnivelespara el factor C y que cada réplica del experimento contiene todas las posibles combinaciones
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 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 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 detallesAnálisis de Regresión
Aálss de Regresó Ig. César Augusto Zapata Urqujo Ig. José Alejadro Marí Del Río Facultad de Igeería Idustral Uversdad Tecológca de Perera 0-05 Modelo de Regresó Leal Smple Y Dados A (, ) =,,. Gráfco o
Más detallesAnálisis de la Varianza (ANOVA).
{ H0 : µ = µ 2 = = µ p Análisis de la Varianza (ANOVA) Planteamiento del problema Se desea contrastar si las medias de p poblaciones independientes son todas iguales o si existen diferencias entre al menos
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 detallesComparación de Tasas. Ejemplo StatFolio: comparerates.sgp
STATGRAPHICS Rev. 9/4/2006 Comparacón de Tasas Resumen El procedmento Comparacón de Tasas esta dseñado para comparar las tasas observadas de un evento entre muestras. Este realza una prueba de dspersón
Más detallesCapítulo 6. Análisis de la covarianza ANÁLISIS DE LA COVARIANZA UNIFACTORIAL INTRODUCCIÓN
Capítulo 6 Análisis de la covarianza INTRODUCCIÓN Es una combinación de dos técnicas: Análisis de la Varianza y Análisis de Regresión. En el Análisis de la Covarianza: F La variable respuesta es cuantitativa
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 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 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 detallesInferencia Estadística
Inferencia Estadística 2do C. 2018 Mg. Stella Figueroa Clase Nº10 Población y Muestra- Parámetro y Estimación puntual Población: Es el conjunto de todos los elementos o unidades elementales con características
Más detallesSupuestos y comparaciones múltiples
Supuestos y comparaciones múltiples Diseño de Experimentos Pruebas estadísticas Pruebas de bondad de ajuste Prueba de hipótesis para probar si un conjunto de datos se puede asumir bajo una distribución
Más detallesANOVA Análisis de la Varianza en diseño de experimentos
ANOVA Análisis de la Varianza en diseño de experimentos NATURALEZA DEL DISEÑO EXPERIMENTAL El diseño experimental tiene sus orígenes en los trabajos de Ronald Aylmer Fisher (1890 1962) desarrollados en
Más detallesEXPERIMENTOS ANIDADOS O JERARQUICOS NESTED
EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED Exsten ocasones donde los nveles de un factor B son smlares pero no déntcos para dferentes nveles del factor A. Es decr, dferentes nveles del factor A ven nveles
Más 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 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 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 detallesDISEÑOS EXPERIMENTALES DE DOS GRUPOS Y MULTIGRUPO
TEMA II ESQUEMA GENERAL Definición y clasificación del diseño experimental de grupos Diseño experimental de dos grupos: definición y clasificación Diseño experimental de dos grupos: análisis estadístico
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 detallesDiseño de Experimentos
Diseño de Experimentos Tema 8. Diseño de Bloques al Azar JAIME MOSQUERA RESTREPO DISEÑO DE BLOQUES El principio básico del diseño de experimentos consiste en garantizar la homogeneidad de las Unidades
Más detallesRegresión lineal simple
Regresión lineal simple Unidad 1 Javier Santibáñez IIMAS, UNAM jsantibanez@sigma.iimas.unam.mx Semestre 2018-2 Javier Santibáñez (IIMAS, UNAM) Regresión simple Semestre 2018-2 1 / 62 Contenido 1 Planteamiento
Más detallesEn clases anteriores hemos estudiado diseños aleatorizados a un factor (con y sin bloqueo), introduciendo el modelo de Análisis de la Varianza
Bioestadística II Bioestadística II En clases anteriores hemos estudiado diseños aleatorizados a un factor (con y sin bloqueo), introduciendo el modelo de Análisis de la Varianza Bioestadística II Bioestadística
Más detallesAnálisis de Datos. ANOVA unifactorial. Universidad Autónoma de Madrid. 2º de Biología. Departamento de Matemáticas. P. Cifuentes 1
Análisis de Datos 2º de Biología ANOVA unifactorial Universidad Autónoma de Madrid Departamento de Matemáticas 2018 P. Cifuentes 1 El modelo Descriptivos La muestra y los datos Estimación de parámetros
Más detallesTema 6. Estimación puntual
1 Tema 6. Estimación puntual En este tema: Planteamiento del problema. Criterios de comparación de estimadores: Insesgadez. Estimadores de mínima varianza. Error cuadrático medio. Consistencia. Métodos
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 detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más 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 detallesTema 4. Análisis multivariante de la varianza
Máster en Técnicas Estadísticas Análisis Multivariante Año 2008 2009 Profesor: César Sánchez Sellero Tema 4 Análisis multivariante de la varianza 4 Presentación del modelo Se trata de comparar las medias
Más detallesENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 0 INSTITUTO NACIONAL DE ESTADÍSTICAS 03 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR CARRETERA.
Más detallesInstituto Nacional de Estadísticas Chile METODOLOGÍA. Encuesta Estructural de Transporte por Carretera Año contable 2012
Insttuto Naconal de Estadístcas Cle METODOLOGÍA Encuesta Estructural de Transporte por Carretera Año contable 0 Insttuto Naconal de Estadístcas 04 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE
Más detallesDiseño de Experimentos. Diseños Factoriales
Diseño de Experimentos Diseños Factoriales Luis A. Salomón Departamento de Ciencias Matemáticas Escuela de Ciencias, EAFIT Luis A. Salomón (EAFIT) Inspira Crea Transforma Curso 2016 Índice 1 Introducción
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 detalles1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M.
MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Abordaremos en este capítulo el modelo de regresión lineal múltiple, una vez que la mayor parte de las
Más 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 detallesTema 13B ESTE MATERIAL INCLUYE EL ANÁLISIS DE UN NUEVO EJERCICIO DE ANCOVA Y SUS SUPUESTOS
Tema 3B DISEÑOS CON VARIABLES COVARIADAS: continuación ESTE MATERIAL INCLUE EL ANÁLISIS DE UN NUEVO EJERCICIO DE ANCOVA SUS SUPUESTOS Mª Dolores Frías Navarro. Curso 008/00 Tabla Puntuaciones en Pretest
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 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 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 detalles