Bioestadística. Curso Práctica: La recta de regresión
|
|
- Montserrat Bustamante Acuña
- hace 5 años
- Vistas:
Transcripción
1 Bioestadística. Curso Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Índice 1. Introducción 2 2. El diagrama de dispersión 2 3. Covarianza 4 4. Coeciente de correlación lineal 5 5. El modelo de regresión lineal simple 6 1
2 1 Introducción Como hemos visto a lo largo de las clases de teoría, hasta ahora nos hemos ocupado de la descripción de variables estadísticas unidimensionales, es decir, cada individuo de la muestra era descrito de acuerdo a una única característica. Sin embargo, lo habitual es que tendamos a considerar un conjunto amplio de características para describir a cada uno de los individuos de la población, y que estas características puedan presentar relación entre ellas. Nos centraremos en el estudio de variables estadísticas bidimensionales, es decir, tendremos dos características por cada individuo. Representaremos por (X; Y ) la variable bidimensional estudiada, donde X e Y son las variables unidimensionales correspondientes a las primera y segunda características, respectivamente, medidas para cada individuo. En el estudio de variables bidimensionales tiene mucho interés buscar posibles relaciones entre las variables X e Y. El tipo de relación más sencilla que se establece entre un par de variables es la relación lineal. Estudiaremos como analizar este tipo de relaciones con Statistix a través del siguiente ejemplo. Ejemplo: EL Volumen Expiratorio Forzado (VEF) es una medida de la función pulmonar. Se cree que el VEF está relacionado con la estatura. Nos interesa estudiar la variable bidimensional ( X; Y ) siendo X la estatura de niños de 10 a 15 años de edad e Y el VEF. A continuación se muestra la estatura (en cm.) y el VEF (en l.) de 12 niños en ese rango de edad: Estatura VEF En primer lugar, introduciremos los datos de las variables. Recuerda que para introducir datos debes pulsar en el menú superior Data I Insert I Variables. Escribe en el cuadro de diálogo el nombre de las variables que quieres crear (Figura 1) y pulsa Ok. Figura 1: Cuadro de diálogo para introducir variables en Statistix 2 El diagrama de dispersión La representación gráca más útil de dos variables continuas es el diagrama de dispersión. Consiste en representar en un eje de coordenadas los pares de observaciones (x i ; y i ). La nube así dibujada (nube de puntos) reeja la posible relación entre las variables. Realizaremos a continuación un gráco de dispersión para nuestros datos en el que representaremos la variable Estatura en el eje X y la variable VEF en el eje Y. Debes pulsar en el menú superior Statistics I Summary Statistics I Scatter Plot..., como se muestra en la Figura 2. Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Página 2 de 9
3 Figura 2: Cuadro de diálogo para realizar un gráco de dispersión Obtenemos así el diagrama de dispersión de la Figura 3. A partir de la gráca se observa que parece existir una clara relación lineal entre ambas variables, de manera que a medida que aumenta la estatura, también aumenta el VEF y además lo hace de forma lineal. Figura 3: Diagrama de dispersión para los datos de Estatura y VEF Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Página 3 de 9
4 3 Covarianza Recuerda que Statistix nos permitía calcular directamente medidas características de posición, dispersión y forma a través del menú Statistics I Summary Statistics I Descriptive Statistics... Por ejemplo, calculamos a continuación (Figura 4) la media, varianza y desviación típica de Estatura y VEF. Obtenemos los siguientes resultados: Descriptive Statistics Variable Mean SD Variance Estatura VEF Figura 4: Cuadro de diálogo para calcular medidas características de variables individuales Hemos visto que en el contexto bidimensional surgen nuevas medidas que nos permiten cuanticar la dispersión conjunta de dos variables estadísticas. Consideremos una muestra de n observaciones de una variable bidimensional cuantitativa (X; Y ). Se dene la covarianza entre X e Y (que se denota por s x y ) como: Cov(X; Y ) = s x y = 1 n 1 n i=1 (x i x )(y i y ): La covarianza puede interpretarse como una medida de relación lineal entre las variables X e Y. En Statistix calcularemos la covarianza entre dos variables a través del menú Statistics I Linear Models I Variance- Covariance... (ver Figura 5). Obtenemos los siguientes resultados: Variance - Covariance Matrix Estatura VEF Estatura VEF Cases Included 12 Missing Cases 0 La varianza de la Estatura es 208 cm 2, la varianza del VEF es l 2 y la covarianza entre estatura y VEF es cm l. Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Página 4 de 9
5 Figura 5: Cuadro de diálogo para el cálculo de la covarianza 4 Coeciente de correlación lineal Observa que la covarianza depende de las unidades de medida de las variables. El coeciente de correlación lineal se calcula dividiendo la covarianza entre el producto de las desviaciones típicas de ambas variables. r x y = s x y s x s y : En Statistix calcularemos el coeciente de correlación lineal a través del menú Statistics I Linear Models I Correlations (Pearson)... (ver Figura 6). Obtenemos el siguiente resultado: Correlations (Pearson) Estatura VEF 0,9882 Cases Included 12 Missing Cases 0 Por lo tanto, el coeciente de correlación lineal será r x y indica que la relación entre ambas variables es directa. = 0:9882. La correlación es próxima a 1, lo que nos Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Página 5 de 9
6 Figura 6: Cuadro de diálogo para el cálculo del coeciente de correlación lineal 5 El modelo de regresión lineal simple El modelo de regresión lineal simple establece que la relación entre la variable dependiente ( Y ) y la variable independiente (X) es de la forma: Y = 0 + 1X + ": Dada una muestra (x1,y1),...,(x n,y n ), el objetivo es determinar los valores de los parámetros desconocidos 0 y 1 (mediante estimadores ^0 y ^1) de manera que la recta de regresión denida Y = ^0 + ^1X ajuste de la mejor forma posible a los datos. Los valores de los parámetros obtenidos mediante el método de mínimos cuadrados son: ^1 = s x y s 2 ; x ^0 = y ^1 x que serán llamados coecientes de la regresión. Calcularemos la recta de regresión en Statistix a través del menú Statistics I Linear Models I Linear Regression... Recuerda que en un modelo de regresión lineal Y = 0 +1X +, la variable Y recibe el nombre de variable dependiente, respuesta o explicada. La variable X recibe el nombre de variable independiente, regresora o explicativa. En nuestro caso, pretendemos explicar el VEF en función de la Estatura, por lo tanto la variable dependiente Y será el VEF y la variable independiente o explicativa X será la Estatura (ver Figura 7). Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Página 6 de 9
7 Figura 7: Cuadro de diálogo para el cálculo de la recta de regresión Least Squares Linear Regression of VEF Predictor Variables Coefficient Std Error T P Constant ,46 0,0000 Estatura ,37 0,0000 R-Squared 0,9765 Resid. Mean Square (MSE) Adjusted R-Squared 0,9741 Standard Deviation AICc PRESS Source DF SS MS F P Regression ,78 0,0000 Residual Total Cases Included 12 Missing Cases 0 Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Página 7 de 9
8 Coecientes de la recta de regresión. Obtenemos en la primera columna de esta tabla (Coefficient) las estimaciones de los coecientes del modelo. En el ejemplo, ^0 = 5:31288 (constante) y ^1 = 0:05131 (pendiente). Por lo tanto, la recta ajustada será: Y = 5: :05131X. Contrastes sobre los parámetros del modelo. Las dos últimas columnas de la tabla de coecientes (T, P) nos proporcionan información para realizar los contrastes que nos permiten comprobar si los coecientes del modelo son signicativos (si son distintos de cero). Si escribimos el modelo como Y = 0 + 1X + ", los contrastes se plantean de la siguiente forma: Para la constante: { H0 : 0 = 0 H1 : 0 6= 0 Para la pendiente: { H0 : 1 = 0 H1 : 1 6= 0 Estos contrastes son importantes, porque en caso de no rechazar alguna de las hipótesis nulas ( 0 = 0 o 1 = 0), podríamos prescindir de alguno de los coecientes del modelo y así simplicarlo. En el ejemplo el valor del estadístico para el contraste sobre la constante del modelo es T = 13; 46, con un p-valor igual a 0, lo que nos lleva a rechazar la hipótesis nula H0. Es decir, la constante de la recta es signicativamente distinta de cero. Por otra parte, el valor del estadístico para el contraste sobre la pendiente es T = 20; 37, con un p-valor igual a 0. Por lo tanto, también rechazamos la hipótesis nula H0 y concluimos que la pendiente de la recta es signicativamente distinta de cero. Ambos coecientes son signicativos. Coeciente de determinación. Una vez resuelto el problema de estimar los parámetros surge la pregunta de si la recta estimada es o no representativa para los datos. Esto se resuelve mediante el coeciente de determinación R 2. En el ejemplo, el coeciente de determinación (R-Squared) es R 2 = 0; Descomposición de la variabilidad. Los métodos de regresión pretenden darnos una explicación de cómo la variable respuesta, Y, se comporta de distinta manera en función del valor que tome la variable explicativa, X. En consecuencia, parte de la variabilidad de Y que otra parte sería fruto del error del modelo. quedaría justicada por la inuencia de la variable X, mientras La variabilidad de toda la muestra la denominamos variabilidad total (VT) o suma total de cuadrados y se descompone en dos sumandos: VT = VE + VNE: La variabilidad explicada (VE) sirve como medición de la variabilidad que podemos explicar en base al modelo de regresión. La variabilidad no explicada (VNE) se interpreta como variabilidad residual. En Statistix, la decomposición de la variabilidad se muestra en la columna SS (sum of squares). Para los datos del ejemplo tenemos VT= , VE= y VNE= Efectivamente, se cumple que VT = VE + VNE: Recuerda que además el coeciente de determinación se denía como la proporción de variabilidad de la variable dependiente que es explicada por la regresión. Efectivamente R 2 = VE VT = 6: :16917 = 0:9765: También puedes comprobar que en el modelo de regresión lineal simple, el coeciente de determinación coincide con el cuadrado del coeciente de correlación, es decir R 2 = r 2 x y. Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Página 8 de 9
9 El contraste de regresión. En la misma tabla de la descomposición de la variabilidad Statistix también nos da el resultado del contraste ANOVA. Esta prueba determina si el modelo de regresión aporta información sobre la variable respuesta. El test es muy útil cuando trabajamos con modelos más generales que el de regresión lineal simple. En nuestro caso contrasta si la pendiente es signicativa (distinta de cero). { H0 : 1 = 0 H1 : 1 6= 0 En el ejemplo el valor del estadístico del contraste es F = 414:78, con un p-valor igual a 0, lo que nos lleva a rechazar la hipótesis nula H0. Es decir, la pendiente de la recta es signicativamente distinta de cero (es la misma conclusión que en el contraste correspondiente sobre los parámetros del modelo). Representación de la recta de regresión. Por último, representaremos la recta de regresión estimada. Para ello volvemos al menú desde el que realizamos el gráco de dispersión ( Statistics I Summary Statistics I Scatter Plot...). En el cuadro de diálogo debes seleccionar en la opción Fitted Curve I Linear Regression (Figura 8). Obtendremos así una gráca como la de la Figura 9. Figura 8: Cuadro de diálogo para representar la recta de regresión Figura 9: Recta de regresión para los datos de Estatura y VEF Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Página 9 de 9
Considere la tasa de nacimiento (B) como la variable respuesta y la actividad económica de las mujeres (W) como variable regresora.
ESTADISTICA (Q) - Ejercicio de regresión - Junio 2010 El archivo tasa_nacimiento.sx contiene datos de tasas de nacimiento y otras variables para 26 naciones. Fuente: Statistical Abstract of the United
Más detallesESTADÍSTICA CÁTEDRA I. Unidad 7
ESTADÍSTICA CÁTEDRA I Unidad 7 UNIDAD 7: La relación entre variables. Contenidos Distribución conjunta de dos variables. Diagrama de dispersión. Distribuciones marginales y condicionales. Correlación.
Más detallesRESPUESTAS BREVES A LA PRÁCTICA 7
RESPUESTAS BREVES A LA PRÁCTICA 7 EJERCICIO 1 Las salidas que proporciona el programa son: Unweighted Least Squares Linear Regression of X Puntaje en Inteligencia Predictor Variables Coefficient Std Error
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 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 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 detallesEJERCICIO T1 NOMBRE: Correctas Incorrectas En Blanco Puntos
ECONOMETRÍA EJERCICIO T1 APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta 1 A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco Pregunta
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 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 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 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 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 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 detallesModelación estadística: La regresión lineal simple
Modelación estadística: La regresión lineal simple Gabriel Cavada Ch. 1 1 División de Bioestadística, Escuela de Salud Pública, Universidad de Chile. Statistical modeling: Simple linear regression Cuando
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 detallesANALISIS DE LA ESTATURA
ANALISIS DE LA ESTATURA OBJETIVO El objetivo de este trabajo es realizar un estudio de la de distintos individuos. DATOS Se realizan los distintos análisis de regresión simple, así como el análisis de
Más 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 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 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 detallesAjuste de Regresión Lineal Simple
Ajuste de Regresión Lineal Simple Hugo Alberto Brango García 1 1 Universidad de Córdoba Estadística II Mayo de 2014 Análisis de Regresión Mayo de 2014 1 / 33 Supuestos sobre los residuales del modelo Normalidad
Más detallesGuía de taller de Economía Cuantitativa V. Profesor: ALBERTO REYES DE LA ROSA.
Guía de taller de Economía Cuantitativa V. Profesor: ALBERTO REYES DE LA ROSA. Debe ser resuelta a mano, citar bibliografía (no usar internet). Términos clave 1. Ceteris Paribus 2. Grado de libertad 3.
Más detallesPrimera práctica de REGRESIÓN.
Primera práctica de REGRESIÓN. DATOS: fichero practica regresión 1.sf3 1. Objetivo: El objetivo de esta práctica es aprender cuándo se puede utilizar el análisis de regresión. En la primera parte se presentan
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 detallesTEMA 2: DISTRIBUCIONES BIDIMENSIONALES
TEMA : DISTRIBUCIONES BIDIMENSIONALES 1.- DISTRIBUCIONES BIDIMENSIONALES Cuando estudiamos un solo carácter estadístico, los datos que obtenemos forman una variable estadística unidimensional. También
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 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 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 detallesRegresión Simple. Leticia Gracia Medrano. 2 de agosto del 2012
Regresión Simple Leticia Gracia Medrano. lety@sigma.iimas.unam.mx 2 de agosto del 2012 La ecuación de la recta Ecuación General de la recta Ax + By + C = 0 Cuando se conoce la ordenada al origen y su pendiente
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 detalles1. Objetivos. Introducción 2. ANOVA. Tema 8: Relaciones entre variables Test de hipótesis para el ANOVA. M. Iniesta Universidad de Murcia
Tema 8: Relaciones entre variables 1. Objetivos Analizar relaciones entre variables, para un único factor en el caso del ANOVA y una sola variable independiente, en el caso de Regresión. Conocer el signicado
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 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 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 detalles(5 x 3) ( 3 x 5) ( 5 x 1) b1 335, ,3-26, ,59 b2 = 0, , ,8 12,85 = 2,94 b3-26,79 13,8 2, ,31
VENTAS PUBLIC. PRECIOS 1990 0, 0, 10 1991 1 0, 1992 2 0,8 199, 0,8 199 1, Y X U 0, 1 0, 10 U1 Modelo matricial con término constante 1 1 0, U2 (el vector de unos recoge ese término constante) 2 1 0,8 U,
Más detallesEstadística II Curso 2010/11. Guión de la Práctica 2 El modelo de regresión lineal y su tratamiento en Statgraphics
Estadística II Curso 2010/11 Guión de la Práctica 2 El modelo de regresión lineal y su tratamiento en Statgraphics 1. Contenidos de la práctica - Introducción - El modelo de regresión lineal simple o Estimación
Más detallesTema 2: Estadística Bivariante Unidad 1: Correlación y Regresión
Estadística Tema 2: Estadística Bivariante Unidad 1: Correlación y Regresión Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Octubre 2010 Contenidos...............................................................
Más detallesUn modelo para representar una relación aproximadamente
Regresión Se han visto algunos ejemplos donde parece que haya una relación aproximadamente lineal entre dos variables. Supongamos que queremos estimar la relación entre las dos variables. Cómo ajustamos
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 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 detallesBioestadística. Curso Capítulo 8
Bioestadística. Curso 202-203 Capítulo 8 Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Índice. Introducción 2 2. Contrastes sobre la media de una población normal 2 2.. Contrastes
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesEstadística I Solución Examen Final- 19 de junio de Nombre y Apellido:... Grupo:...
Estadística I Examen Final- 19 de junio de 2009 Nombre y Apellido:... Grupo:... (1) La siguiente tabla muestra las distribuciones de frecuencias absolutas de la variable altura (en metros) de n = 500 estudiantes
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 12 REGRESIÓN LINEAL Mediante la regresión lineal se busca hallar la línea recta que mejor explica la relación entre unas variables independientes o variables de exposición y una variable dependiente
Más detallesPráctica 4 EJERCICIOS 1.- REGRESIÓN LINEAL SIMPLE 5.1 Regresión de Peso sobre Altura Datos en Encuesta.sgd a) Estudio descriptivo de ambas variables
EJERCICIOS 1.- REGRESIÓN LINEAL SIMPLE 5.1 Regresión de Peso sobre Altura Datos en Encuesta.sgd a) Estudio descriptivo de ambas variables Marco elementos atípicos: b) Obtener la recta de regresión y comprobar
Más detallesDistribuciones Bidimensionales.
Distribuciones Bidimensionales. 1.- Variables Estadísticas Bidimensionales. Las variables estadísticas bidimensionales se representan por el par (X, Y) donde, X es una variable unidimensional, e Y es otra
Más detalles1, 2, 2, 3, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 2, 1, 1, 4, 1
8 Estadística 81 Distribuciones unidimensionales Tablas de frecuencias En este tema nos ocuparemos del tratamiento de datos estadísticos uestro objeto de estudio será pues el valor de una cierta variable
Más detallesAplicación del Análisis de la Varianza para estudiar el tiempo de acceso en las aulas informáticas
Aplicación del Análisis de la Varianza para estudiar el tiempo de acceso en las aulas informáticas Apellidos, nombre Capilla Romá, Carmen 1 (ccapilla@eio.upv.es) Departamento Centro 1 Estadística e Investigación
Más detallesCORRELACION Y REGRESION
CORRELACION Y REGRESION En el siguiente apartado se presenta como calcular diferentes índices de correlación, así como la forma de modelar relaciones lineales mediante los procedimientos de regresión simple
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 detallesEstimación de una función de gasto en alimentos
Base de datos http://www.principlesofeconometrics.com/poe4/poe4stata.htm Definición de variables http://www.principlesofeconometrics.com/poe4/data/def/food.def food.def food_exp income Obs: 40 food_exp
Más detallesAnálisis de la covarianza
Análisis de la covarianza Preparado por Luis M. Molinero (Alce Ingeniería) CorreoE: bioestadistica alceingenieria.net Artículo en formato PDF Enero 2002 El análisis de la covarianza es una técnica estadística
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 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 detallesEXAMEN ECONOMETRÍA I GRUPO 31 LADE Prof. Rafael de Arce 3 de septiembre de Nombre y Apellidos:
EXAMEN ECONOMETRÍA I GRUPO 31 LADE Prof. Rafael de Arce 3 de septiembre de 2004 Nombre y Apellidos: PRIMERA PARTE: Preguntas tipo test (sólo debe marcarse una en cada caso): 1. En el Modelo Básico de Regresión
Más detallesEstadística de dos variables
Versión: Estadística de dos variables 19 de septiembre de 013 1 Introducción En el Tema 1 se consideran las variables estadísticas unidimensionales, es decir, cada individuo de la muestra se describe de
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 detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Aniel Nieves-González () LSP 1 / 16 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por departamento. La v.a. dependiente
Más detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más 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 detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesRegresión con Variables Ficticias
apítulo XII Regresión con Variables Ficticias onceptos y Definiciones La regresión con variables ficticias (variables dummy) surge por la necesidad que tiene el investigador de involucrar variables cualitativas
Más detallesEconometría I (LADE). Curso 2001/2002 PRÁCTICA 08
PRÁCTICA 08 HETEROCEDASTICIDAD Y NORMALIDAD En el fichero Datos08.wf1 tenemos la renta y consumo anual (en dólares) para 500 familias con el que se pretende estimar el siguiente modelo: C i = β + β R +
Más detallesRegresión Lineal Simple y Múltiple Regresión Logística
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
Más detallesLADE/LADE-DER. 229, , , , , ,333 y. 3 i 1. y ij /3
LADE/LADE-DER CURSO 2005/2006 EXAMEN DE ESTADÍSTICA II 04 de septiembre de 2006 PROBLEMAS (tiempo: 1 hora 40 minutos) 1. PROBLEMA 1 Una empresa de máquinas tragaperras tiene que decidir entre 3 posibles
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 detallesLa recta de regresión
Presentación del problema. Diagrama de dispersión. El error cuadrático medio. Coeficientes de la recta. Grado de Biología sanitaria M. Marvá e-mail: marcos.marva@uah.es Unidad docente de Matemáticas, Universidad
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 detallesIntervalos de confianza con STATGRAPHICS
Intervalos de confianza con STATGRAPHICS Ficheros empleados: TiempoaccesoWeb.sf3 ; TiempoBucle.sf3; 1. Ejemplo 1: Tiempo de acceso a una página Web Se desean construir intervalos de confianza para la media
Más detallesTema 2: Análisis de datos bivariantes
Tema 2: Análisis de datos bivariantes Los contenidos a desarrollar en este tema son los siguientes: 1. Tablas de doble entrada. 2. Diagramas de dispersión. 3. Covarianza y Correlación. 4. Regresión lineal.
Más detallesBioestadística. Curso Capítulo 3
Bioestadística. Curso 2012-2013 Capítulo 3 Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Índice 1. Introducción 2 2. Variable aleatoria 2 2.1. Variables aleatorias discretas...............................
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 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 detallesEXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 2005 Prof. Rafael de Arce
EXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 005 Prof. Rafael de Arce NOMBRE: DNI: PARTE I.- TEST 1. La hipótesis de rango pleno en el MBRL supone: Que las variables explicativas no tengan ninguna
Más 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 detallesAnálisis de los resultados de la evaluación del aprendizaje de procedimientos de análisis descriptivo en ingeniería informática
Análisis de los resultados de la evaluación del aprendizaje de procedimientos de análisis descriptivo en ingeniería informática Apellidos, nombre Capilla Romá, Carmen 1 (ccapilla@eio.upv.es) Departamento
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesUniversidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia
Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.
Más detalleslog Y = log + v log K + (1 )v log L 1=2 log(1 )v[log(k=l)] 2 + U = log K + 2 log L + 3 [log(k=l)] 2 + U;
Universidad Carlos III de Madrid Econometría Examen Final, Convocatoria Extraordinaria, Curso 2014-2015. Duración del examen: 2 horas. Nota importante: Alguna información contenida en las salidas es redundante.
Más detallesTema 11. ESTADÍSTICA BIDIMENSIONAL
Tema 11. ESTADÍSTICA BIDIMENSIONAL Introducción Cálculos estadísticos. Representación gráfica de datos estadísticos de dos variables. Actividades propuestas INTRODUCCIÓN La aplicación Estadística permite
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesRegresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A
Regresión lineal REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL MÚLTIPLE N A Z IRA C A L L E J A Qué es la regresión? El análisis de regresión: Se utiliza para examinar el efecto de diferentes variables (VIs
Más detallesRegresión: implica la obtención de una ecuación mediante la que podamos estimar el valor medio de una variable.
1 DEFINICIONES PREVIAS Regresión: implica la obtención de una ecuación mediante la que podamos estimar el valor medio de una variable. Correlación: es la cuantificación del grado de relación existente
Más detallesUNIVERSIDAD NACIONAL DEL CALLAO FACULTAD DE CIENCIAS ECONÓMICAS
UNIVERSIDAD NACIONAL DEL CALLAO FACULTAD DE CIENCIAS ECONÓMICAS INSTITUTO DE INVESTIGACIÓN DE LA FACULTAD DE CIENCIAS ECONÓMICAS INFORME FINAL DEL TEXTO TEXTO: ESTADÍSTICA DESCRIPTIVA APLICADA A LA ECONOMIA
Más detallesINTERVALOS DE CONFIANZA
INTERVALOS DE CONFIANZA condicional en que!! sea verdadero hipótesis nula H :!!.5%.5%! -.96sd! -sd!! +sd! +.96sd Si el nivel de significación es 5%, la estimación obtenida (círculo pequeño) no nos permitiría
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 detallesEl modelo de regresión múltiple
El de regresión múltiple Simple El de regresión múltiple es la extensión a k variables explicativas del de regresión simple. La estructura del de regresión múltiple es la siguiente: y = f (x 1,..., x k
Más detallesTEMA 5 Estadística descriptiva. Análisis de datos
TEMA 5 Estadística descriptiva. Análisis de datos Florence Nightingale (1820-1910) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones no lineales 3.
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 detallesEstadís5ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 2. Modelos de regresión
Estadís5ca Tema 2. Modelos de regresión María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación Este tema se publica bajo
Más detallesTema 9: Estadística descriptiva
Tema 9: Estadística descriptiva Matemáticas específicas para maestros Grado en Educación Primaria Matemáticas específicas para maestros Tema 9: Estadística descriptiva Grado en Educación Primaria 1 / 47
Más detallesEjemplo de Análisis de la Covarianza
Ejemplo de Análisis de la Covarianza Utilizando los datos del archivo sargos.csv representamos la itud desde el morro hasta la aleta dorsal frente a la itud total del pez: > sargos = read.table(file =
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 detallesTALLER DE INTRODUCCIÓN A LOS NEGOCIOS
REGRESIÓN LINEAL SIMPLE INTRODUCCIÓN Si sabemos que existe una relación entre una variable denominada dependiente y otras denominadas independientes (como por ejemplo las existentes entre: la experiencia
Más detallesPráctica 3: Regresión simple con R
Estadística II Curso 2010/2011 Licenciatura en Matemáticas Práctica 3: Regresión simple con R 1. El fichero de datos Vamos a trabajar con el fichero salinity que se encuentra en el paquete boot. Para cargar
Más detallesUNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE
UNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE CAPÍTULO 8: ANÁLISIS DE REGRESIÓN MÚLTIPLE: EL PROBLEMA DE LA INFERENCIA ECONOMETRÍA 2 WILHEM ROOSVELT GUARDIA VÁSQUEZ
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 detallesModelo 1: MCO, usando las observaciones 1994: :03 (T = 218) Variable dependiente: INFLACION
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DPTO. ACAD. DE ECONOMIA 1º El investigador especifica el modelo siguiente: EXAMEN PARCIAL DE ECONOMETRIA I Se le pide estimar el modelo por el método
Más detalles