Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y
|
|
- María Josefa Aranda Giménez
- hace 5 años
- Vistas:
Transcripción
1 Regresión
2 Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y
3 Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y X Y
4 X Y Para qué puede servir ésto a un laboratorio? Se puede estudiar cómo influye: La renta media de los barrios (X) sobre el nivel de delincuencia (Y) El número de casos entrantes en un juzgado (X) sobre el retraso medio en resolver los casos (Y)
5 Pensemos algunos ejemplos...?
6 Existen dos tipos de relaciones: Deterministas: Si conocemos el valor de X, el valor de Y queda perfectamente establecido. Aparecen en ciencias. Ejemplo: Una resistencia de valor R ohmios. La caída de tensión en sus bornes es: V=R.I siendo I la Intensidad en amperios
7 Existen dos tipos de relaciones: Deterministas: Si conocemos el valor de X, el valor de Y queda perfectamente establecido. Aparecen en ciencias. Ejemplo: Una resistencia de valor R ohmios. La caída de tensión en sus bornes es: V=R.I siendo I la Intensidad en amperios I V R V=R.I
8 Existen dos tipos de relaciones: Deterministas: Si R=2 Ohmios Circulan 3 Amperios de intensidad La caída de tensión será de 2.3=6 voltios. Circulan 4 Amperios de intensidad La caída de tensión será de 2.4=8 voltios. I V R V=R.I
9 Existen dos tipos de relaciones: Deterministas: Si R=2 Ohmios Circulan 3 Amperios de intensidad La caída de tensión será de 2.3=6 voltios. Circulan 4 Amperios de intensidad La caída de tensión será de 2.4=8 voltios. SIEMPRE I V Tensión (V) R Voltios al pasar intensidades por una R= V=R.I Intensidad (A)
10 Relaciones deterministas SIEMPRE que x toma un valor......y toma el mismo valor
11 Relaciones No Deterministas No Deterministas: Si conocemos el valor de X, el valor de Y no queda perfectamente establecido. Hay una cierta variabilidad Aparecen en ciencias, en ciencias sociales y en problemas de calidad. Ejemplo: Conocemos el peso y la altura de 117 estudiantes de ingeniería:
12 Relaciones no deterministas 121 Plot of peso vs altura 101 pes so altura Si un estudiante mide 170cm su peso estará razonablemente entre 55 y 75 kg
13 Relaciones no deterministas 121 Plot of peso vs altura 101 pe eso altura Si un estudiante mide 170cm su peso estará razonablemente entre 55 y 75 kg
14 Relaciones no deterministas Ejemplos?
15 La regresión estudia las relaciones no deterministas Ajusta una línea recta a la nube de puntos: 121 Plot of Fitted Model 101 peso altura
16 El modelo de regresión hace básicamente eso: ajustar líneas a datos que sean razonablemente rectos. La recta ajustada es la recta de regresión y explica la relación entre la variable Y (Peso) y la variable X (Altura).
17 El modelo de regresión hace básicamente eso: ajustar líneas a datos que sean razonablemente rectos. La recta ajustada es la recta de regresión y explica la relación entre la variable Y (Peso) y la variable X (Altura). X Y Independiente Explicativa Dependiente Respuesta A explicar
18 La recta ajustada, que proporciona el ordenador, es: 121 Plot of Fitted Model 101 peso altura Peso = -100, Altura Ésto es un línea recta
19 Por si no se conoce... Y = 5 + 2X Y X Pintando los puntos en el gráfico X-Y 5+2x2= x8= x0=
20 Por si no se conoce... Y = 5 + 2X Y X Pintando los puntos en el gráfico X-Y 5+2x2=9 2 Y 5+2x8= x0= Sale una recta 2 8 X
21 Más sobre rectas Y Y=4+3.4X Y=4+1.3X Mucha pendiente: X aumenta Y aumenta (Mucho) Poca pendiente: X aumenta Y aumenta (POCO) X
22 Más sobre rectas Y Si X aumenta 1 unidad Y aumenta 3.4 unidades Y=4+3.4X Y=4+1.3X Si X aumenta 1 unidad Y aumenta 1.3 unidades X
23 Más sobre rectas Y Si X aumenta 1 unidad Y aumenta 3.4 unidades Y=4+3.4X Si X aumenta 1 unidad Y aumenta 1.3 unidades Y=4+1.3X El número que multiplica a la X se llama pendiente X (slope) y da una medida cómo de rápido sube ( baja) la recta
24 La recta ajustada, que proporciona el ordenador, es: 121 Plot of Fitted Model 101 peso 81 Peso = -100, Altura altura Una persona con Altura=1.80m pesará según la recta de regresión: Peso= -100, *180 = 74,38 Kg Indudablemente no todas las personas de 1.80 m pesan Kg Si un individuo de altura=1.80m tiene Peso=76 kg, el error o residuo del modelo será: e= = 1.62 Kg
25 VAMOS A PREDECIR PESOS Peso = -100, Altura Cuánto debería pesar cada un@?
26 La recta de regresión permite: Estudiar cómo X influye sobre Y Predecir valores de Y para un valor de X Una persona que mida 1.80m pesará en promedio 74.38kg Podemos saber si para nuestra altura estamos gorditos o delgaditos ESTO ES PARA ESTUDIANTES DE 20 AÑOS!!!!!!!!!
27 Veamos otro ejemplo y para qué sirve Estudiamos el tiempo que tarda un juzgado en dar solución a un proceso en función del número de casos registrados Los datos:
28 Si estudiamos los retrasos a lo bestia El retraso medio es de 17 meses. El juzgado número 18 tarda (VER DATOS): 18.49
29 Vamos a estudiarlo de otro modo: El gráfico de Duración vs. Número de casos es: 25 Duración media vs. número de casos duraci ion media Numero de casos
30 La recta de regresión será: Duracion= *Num Casos 25 Duración vs. Número de casos duracion media Numero de casos Juzgado 18 El juzgado 18 recibe 741 casos. Según la recta de regresión debería Resolverlos en una duración media de: Duración= *741=19.59
31 Duración vs. Número de casos duracion media Resuelve en meses Debería resolver en meses Numero de casos Recibe 741 casos Es un juzgado muy eficiente: Resuelve en menos tiempo del que le corresponde 18, =-1.09 meses
32 Duración vs. Número de casos duracion media 25 LENTOS RÁPIDOS Numero de casos Los juzgados con error de predicción o residuo negativo, resuelven antes de los que les corresponde por volumen de trabajo. Los positivos (por encima de la línea) resuelven después.
33 La regresión nos permite: Clasificar los juzgados por su rapidez teniendo en cuenta el volumen de trabajo. Además como sabemos que un juzgado con 100 casos más tendrá una duración media de 1,6 meses más, podemos evaluar la necesidad de incrementar el personal. Duracion= *Num Casos
34 El modelo de regresión sirve para predecir Y en función de X. Pero siempre cometeremos algún error. Por ello la ecuación de la regresión será: y β + β x + 0 i = 1 i u i Peso i = Altura i +error i Duracion i = *Num Casos i +error i Duracion 18 = *Num Casos 18 +error 18
35 Estos análisis nos sirven para ver datos Y entenderlos Y sacar conclusiones.otros ejemplos
36 Otro ejemplo: Tasa de alfabetización femenina vs. Masculina en diversos paises 100 Plot of Fitted Model Alfabfem Alfabmasc Conclusiones?
37 Regresión Simple Variable Independiente Variable Dependiente y β + β x + 0 i = 1 i u i
38 Hipótesis del modelo: 1. Linealidad 2. Homocedasticidad 3. Independencia 4. Normalidad Resumen
39 Linealidad Fundamental: Si vamos ajustar una línea recta, los datos deben ser razonablemente rectos Datos rectos: Recta de regresión representa bien la estructura de los datos
40 Linealidad: Datos no lineales 1,3 1 Y 0,7 0,4 0,1-0,2-1 -0,6-0,2 0,2 0,6 1 X Plot of Fitted Model 1,3 1 Y 0,7 0,4 0,1-0,2-1 -0,6-0,2 0,2 0,6 1 X Datos no rectos: Recta de regresión no representa la estructura de los datos
41 Linealidad: Comprobación Siempre: Haremos el gráfico X-Y de los datos y comprobaremos si son lineales. Si no son lineales hay que transformarlos Ajustar un recta a datos curvos es un sinsentido y nos lleva a conclusiones equivocadas
42 Homocedasticidad La nube de puntos debe tener el mismo grosor La dispersión o varianza de los datos es constante. Si no se cumple se llaman HETEROCEDASTICOS. 121 Plot of peso vs altura 101 peso altura Datos homocedásticos: Varianza constante
43 Datos heterocedásticos Es un fenómeno frecuente. En economía los gastos de las familias tienen variabilidad creciente a medida que aumentan los ingresos: (X 1,E6) 1 Gastos - Ingresos 0,8 Gastos 0,6 0,4 0, (X ) Ingresos Datos heterocedásticos: Varianza creciente
44 Homocedasticidad: Comprobación Siempre: Haremos el gráfico X-Y de los datos y comprobaremos si son homocedásticos. Si no son homocedásticos hay que transformarlos Ajustar un recta a datos heterocedásticos nos lleva a conclusiones equivocadas
45 Independencia Fundamental: Los datos deben ser independientes. Una observación (Un punto) no debe dar información sobre las demás Sabremos por el tipo de datos si son adecuados para el análisis. No sirven datos temporales Datos independientes: Recta de regresión representa bien la estructura de los datos
46 Independencia Datos temporales Año Coches vendidos Número de nacidos Datos dependientes: La recta de regresión sacará falsas relaciones. Relaciones espúrias
47 Normalidad Admitimos que los datos son normales No lo comprobaremos a priori
48 El modelo
49
50
51 Si los datos fueran así, Hay relación? Cumple las hipótesis?
52 Hay relación? Cumple las hipótesis?
53 Hay relación? Cumple las hipótesis?
54 Hay relación? Cumple las hipótesis? 3.5 x
55 Hay relación? Cumple las hipótesis? Y ,3 0,7 1,7 2,7 3,7 X
56 Hay relación? Cumple las hipótesis? 3.5 x
57 Hay relación? Cumple las hipótesis?
58 Hay relación? Cumple las hipótesis? Y ,9 6,9 8,9 10,9 12,9 14,9 X
59 Hay relación? Cumple las hipótesis? 6 x
60 Hay relación? Cumple las hipótesis? 1 x
61 Hay relación? Cumple las hipótesis?
62 (X ) 6,8 Nacimientos vs. Cigüeñas Naci imientos 6,5 6,2 5,9 5,6 5, (X 1000) Número de Cigüeñas
63 Nacimientos (X ) 6,8 6,5 6,2 5,9 5,6 5,3 5 Nacimientos vs. Cigüeñas (X 1000) Número de Cigüeñas (X ) 6,8 6,5 6,2 5,9 5,6 5,3 5 Nacimientos (X 1000) Cigüeñas
64 (X ) 6,8 Nacimientos Nacimientos 6,5 6,2 5,9 5,6 5, Venta de Automóviles
65 Nacimientos (X ) 6,8 6,5 6,2 5,9 5,6 5,3 5 Nacimientos Venta de Automóviles Venta de automóviles (X ) 6,8 6,5 6,2 5,9 5,6 5,3 5 Nacimientos
66 Medir la Relación entre dos variables: Gráfico de dispersión (Scatterplot) resulta muy útil. Correlación también muy útil
67 Relación entre dos variables: PESO Y ALTURA 121 Gráfico de Dispersión 101 peso altura
68 No hay relación entre dos variables: 6 5 Gráfico de Dispersión Var Var 2
69 Hay relación entre estas variables? 260 Gráfico de Dispersión ve elocidad potencia
70 Para medir el grado de relación entre variables Utilizamos la correlación. Varía entre -1 y +1 Interpretación de la correlación: Mucha relación No hay relación Mucha relación Decreciente Creciente
71 Interpretación de la correlación 400 r=+1 0 r= r= r= Relación creciente: Si una variable aumenta, la otra también - Relación decreciente: Si una variable aumenta, la otra disminuye
72 Interpretación de la correlación Correlación 0,06 2,5 1,5 Y 0,5-0,5-1,5-2, X Si la correlación es muy pequeña indica falta de relación entre las variables.
73 Si no se cumplen las hipótesis hay que transformar: LOGS (X ) 10 Gatos totales Vs. Ingresos totales 8 GTINE (X ) ITOTAL Gatos totales Vs. Ingresos totales en logs 14 log(gtine) log(itotal)
74 Los Logs son una transformación que indica que las variables se relacionan por su tasa de crecimiento
75 Sin logs Variable Independiente Variable Dependiente
76 Sin logs Altura Peso Peso = -100, Altura Incremento de Altura de 1 cm Incremento de Peso de 0.97x1kg
77 CON logs Inflación Tipos de interés Inflación=Tasa de variación de los precios Tipos de interés= Tasa de variación del dinero
78 La interpretación de una regresión con logs La veremos más adelante
79 Si no se cumplen las hipótesis hay que transformar: Cuadrado Y-X Y-X
80 Las tranformaciones: Logaritmos: Muy importante Resto: Poco importante
81 Regresión: Estimación Regresión: Estimación Regresión: Estimación Regresión: Estimación = = = = n i i n i i i x x x x y y x y x ) ( ) )( ( ) var( ), cov( ˆβ 2 ˆ = = n e S n i i R y 1 x 0 ˆ ˆ β β =
82 Esas fórmulas tan bonitas no se usan. Para trabajar tenemos el ordenador!!!!!!!!!!!!!!
83 Datos: Censo de Floridablanca 1787 Provincia de Sevilla (X 10000) 4 Plot of VARONES vs MUJERES VARONES (X 10000) MUJERES (X 10000) 1 Plot of VARONES vs MUJERES VARONES (X 10000) MUJERES
84 Datos: Censo de Floridablanca 1787 Provincia de Sevilla (X 10000) 4 Plot of VARONES vs MUJERES VARONES (X 10000) MUJERES (X 10000) 4 Plot of Fitted Model VARONES (X 10000) MUJERES
85 Datos: Censo de Floridablanca 1787 Provincia de Sevilla (X 10000) 4 Plot of Fitted Model VARONES (X 10000) MUJERES ˆ β ˆ β 1 0 Regression Analysis - Linear model: Y = a + b*x Dependent variable: VARONES Independent variable: MUJERES Standard T Parameter Estimate Error Statistic P-Value Intercept 77, ,4564 2, ,0150 Slope 0,9293 0, ,547 0, = = Varones= Mujeres
86 Interpretación del modelo: Varones = Mujeres 1. Signo del estimador beta 1 : Información sobre la relación entre X e Y. Positivo: Si X aumenta Y también aumenta. Negativo: Si X aumenta Y disminuye. Al aumentar el número de mujeres aumenta el de varones
87 Interpretación del modelo: Varones = Mujeres Valor del estimador beta 1 : Información sobre cómo se transmite el efecto de X sobre Y. Si X aumenta, el efecto se transmite a Y multiplicado por beta 1 X Y = β * X Si un pueblo tiene 100 mujeres más Tendrá 0.93 x 100 = 93 Hombres más ˆ1
88 Resultados Varones = Mujeres Beta 1 = 0.93 Si fuera 1, a 100 mujeres más le corresponderían 100 hombres más. Puede valer 1 Beta 1?
89 Puede valer 1 Beta 1? Solución: Intervalo de confianza Contraste de hipótesis
90 INTERVALOS DE CONFIANZA Un intervalo de confianza proporciona una zona en la que con una confianza predeterminada estará el auténtico valor de Beta 1 Límite Beta 1 Límite Inferior Superior
91 INTERVALOS DE CONFIANZA Se calcula: Beta 1-2xSE(Beta 1 ) Beta 1 +2xSE(Beta 1 ) El SE(Beta 1 ) se denomina Error estándar de Beta 1 y lo calcula el programa Beta 1-2xSE(Beta 1 ) Beta 1 Beta 1+2xSE(Beta 1 )
92 INTERVALOS DE CONFIANZA Se calcula: Beta 1-2xSE(Beta 1 ) Beta 1 +2xSE(Beta 1 ) El SE(Beta 1 ) se denomina Error estándar de Beta 1 y lo calcula el programa Regression Analysis - Linear model: Y = a + b*x Dependent variable: VARONES Independent variable: MUJERES Standard T Parameter Estimate Error Statistic P-Value Intercept 77, ,4564 2, ,0150 Slope 0,9293 0, ,547 0, Beta 1-2xSE(Beta 1 ) Beta 1 +2xSE(Beta 1 ) x x
93 INTERVALOS DE CONFIANZA Beta 1-2xSE(Beta 1 ) Beta 1 +2xSE(Beta 1 ) x x
94 Consideraciones sobre el error estándar SE(Beta 1 ) La amplitud del intervalo de confianza depende del SE: Si SE es grande aumenta la imprecisión: S R grande genera más imprecisión n grande más precisión S x grande más precisión
95 Si Beta 1 auténtica es cero... Beta 1 =0 Implica que Y no depende de X X Y
96 Si Beta 1 auténtica es cero... Beta 1 =0 Implica que Y no depende de X
97 Si Beta 1 auténtica es cero... Beta 1 =0 Implica que Y no depende de X Lo sabemos construyendo un intervalo de confianza: Si el cero está dentro del intervalo, Beta 1 puede valer cero. Variable X no es significativa Si el cero está fuera, Beta 1 no puede valer cero. Variable X es significativa
98 Hay que comprobar si Beta 1 auténtica puede ser cero... Beta 1 =0 Mediante un intervalo de confianza Mediante un contraste t. Para los datos de Sevilla: Beta 1-2xSE(Beta 1 ) Beta 1 +2xSE(Beta 1 ) x x
99 Contrastes de hipótesis: Contraste t Una forma rápida y sencilla de saber si Beta 1 auténtico puede valer cero es utilizar el contraste t El contraste t lo proporciona el ordenador. H 0 : Beta 1 =0 H 1 : Beta 1 distinto de 0 Si t<2 sin importar el signo. Nos quedamos con H 0. P-valor mayor que 0.05 Si t>2 sin importar el signo. Nos quedamos con H 1. P-valor menor que 0.05
100 Contraste t Regression Analysis - Linear model: Y = a + b*x Dependent variable: VARONES Independent variable: MUJERES Standard T Parameter Estimate Error Statistic P-Value Intercept 77, ,4564 2, ,0150 Slope 0,9293 0, ,547 0, T de Beta 1 es 137, que es mayor que 2. Por tanto el número de mujeres es significativo: El número de mujeres aporta información sobre el número de varones.
101 Ejemplo: Altura vs última cifra del teléfono Altura Plot of Altura vs Telefono Telefono Regression Analysis - Linear model: Y = a + b*x Dependent variable: Altura Independent variable: Telefono Standard T Parameter Estimate Error Statistic P-Value Intercept 166,317 2, ,6952 0,0000 Slope 0, , , , Altura= Telefono Si el teléfono sube una unidad se crece 0.66cm?????????????????????????????????
102 Siempre nos fijamos en la t Si es menor que 2 (No importa el signo)...la variable X o influye sobre Y
103 R 2 Indica cuánto de Y es explicado por X Datos de Sevilla: R 2 =99.4%
104 Resumen Estudiamos los datos y vemos si cumplen las hipótesis. Si no las cumplen transformamos. Ajustamos el modelo. Intervalos y contrastes para ver si X es significativa (INFLUYE) sobre Y
105 Diagnosis La diagnosis sirve para ver si se cumplen las hipótesis del modelo a posteriori. Hay que comprobar básicamente: Linealidad Homocedasticidad
106 Lo hacemos mediante Gráfico de residuos frente a valores predichos Este gráfico si el modelo está bien ajustado no debe presentar ninguna estructura.
107 Ejemplo: Datos Lineales Residuos Gotelet
108 Ejemplo Residuos no Gotelet
109 Ejemplo: Datos Homocedásticos Residuos Gotelet
110 Ejemplo x x 10 4 Residuos no Gotelet
111 Ejemplo 5 x x x 10 5 Residuos no Gotelet
112 Perímetro y área de iglesias Plot of area vs perimetro area perimetro Studentized residual 2,7 1,7 0,7-0,3-1,3-2,3 Residual Plot predicted area
113 Plot of area vs perimetro area perimetro Plot of log(area) vs log(perimetro) 4 log(area) ,9-0,4 0,1 0,6 1,1 1,6 log(perimetro)
114 Plot of log(area) vs log(perimetro) 4 log(area) ,9-0,4 0,1 0,6 1,1 1,6 log(perimetro) Residual Plot Studentized residual 2,7 1,7 0,7-0,3-1,3-2,3-0,1 0,9 1,9 2,9 3,9 4,9 predicted log(area) Regression Analysis - Linear model: Y = a + b*x Dependent variable: log(area) Independent variable: log(perimetro) Standard T Parameter Estimate Error Statistic P-Value Intercept 1, , ,9261 0,0000 Slope 1, , ,9802 0, Log(area)= Log(perimetro) (48.9) (46.9) R 2 =98.9%
115 Log(area)= Log(perimetro) (48.9) (46.9) Cuando hay logaritmos: Incrementos porcentuales. Si el perímetro se incrementa un 10%, el area se incrementará un 1.68 x 10 = 16.8 %
116 Datos Análisis gráfico 6 x Cumplen las hipótesis? Si No transformar Estimación. Contraste t Conclusiones R Diagnosis -500 Gráfico 0de residuos vs. 60 Valores 80 previstos Modelo Válido: Predicciones No Tiene estructura? Si x x 10 5
117 FIN de Regresión Simple
118 Regresión Múltiple
119 En regresión simple: Y es explicada por una sola variable En regresión múltiple: Y es explicada por más variables
120 Regresión múltiple X 2 X 1 Y X 3 X 4
121 La ecuación de regresión será: Y = β 0 + β 1 X 1 + β 2 X β k X k + u Las β representan la influencia (PESOS) que las variables X tienen sobre Y
122 Las hipótesis en regresión múltiple Son idénticas a las de regresión simple: 1. Linealidad 2. Homocedasticidad 3. Independencia 4. Normalidad Si tenemos dos variables explicativas: Y = β 0 + β 1 X 1 + β 2 X 2 + u Las hipótesis indican:
123 Hipótesis Y X 1 X 2
124 Y Hipótesis Linealidad: Los puntos se ajustan a un plano X 1 X 2
125 Y Hipótesis Linealidad: Los puntos se ajustan a un plano X 1 X 2
126 Y Hipótesis Linealidad: Los puntos se ajustan a un plano X 1 X 2
127 Y Hipótesis Linealidad: Los puntos se ajustan a un plano Homocedasticidad: La nube de puntos tiene el mismo grosor X 1 X 2
128 Y Hipótesis Linealidad: Los puntos se ajustan a un plano Homocedasticidad: La nube de puntos tiene el mismo grosor X 1 X 2 Nube de puntos con aspecto de Almohada: plana y de grosor constante
129 Estimación Lo hace el ordenador. Proporciona: 1. Estimadores: valores de las Betas 2. Errores estándar: medida de la precisión. Sirve para construir intervalos de confianza 3. Estadísticos t: para ver si las variables son significativas (t>2) o no (t<2) 4. R 2 : Cuánto de Y es explicado por las X
130 Interpretación de regresiones MpG i = Pot i Acel i Precio i (-16.22) (-3.95) (2.02) R 2 =65.6% MpG= Millas recorridas por galón Pot= Potencia (CV) Acel= Aceleración (Espacio recorrido en 10 seg) Precio= Precio
131 Interpretación de regresiones Log R i = Log Ventas i 0.5 Log Num Empleados (4.2) (5.6) (-7.4) R 2 =67% R= Remuneración del director general de la empresa Ventas= Ventas de la empresa Num Empleados= Número de empleados de la empresa
132 Interpretación de regresiones Log A i = log S i 0.5 Log Años i 0.02 Log Edad i (1.2) (6.6) (-4.4) (-3.7) A = Precio del alquiler de viviendas S = Superficie del piso Años= Antigüedad del contrato Edad= Edad del edificio R 2 =54.3%
133 Interpretación de regresiones Multiple Regression Analysis Dependent variable: log(esp vida Fem) Standard T Parameter Estimate Error Statistic P-Value CONSTANT 2, , , ,0008 log(calirias) 0, , , ,0033 log(casos SIDA) -0, , , ,0031 log(tasanata) -0, , ,5277 0, Log Esp Vida Femenina Para países en 1995
134 Universidad Carlos III
135 Universidad Carlos III No todas las preguntas son igualmente importantes. Variables Globales: 1. Aumenta interés por la materia 2. Satisfacción global con el profesor 3. Me gustaría cursar otra asignatura con este profesor Variables parciales: CLARIDAD ENTUSIASMO PARTICIPACION LECTURAS PUNTUALIDAD DESPACHO Variables de Prácticas Utilidad Satisfacción Pizarra Satisfacción Laboratorio
136 Aumenta el interés Global Prof Trab. Personal Despacho lecturas Claridad Participación Global Prácticas Entusiasmo Pizarra Laboratorio
137 Aumenta el interés Global Prof Trab. Personal Despacho lecturas Claridad Participación Global Prácticas Entusiasmo Pizarra Laboratorio
138 Aumenta el interés Global Prof Trab. Personal Despacho lecturas Claridad Participación Global Prácticas Entusiasmo Pizarra Laboratorio
139 Más Profesor Global Prof Aumenta el interés Trab. Personal Despacho lecturas Claridad Participación Global Prácticas Entusiasmo Pizarra Laboratorio
140 Más Profesor Global Prof Aumenta el interés Trab. Personal Despacho lecturas Claridad Participación Global Prácticas Entusiasmo Pizarra Laboratorio
141 Interpretación de regresiones Multiple Regression Analysis Dependent variable: Satis_profesor Standard T Parameter Estimate Error Statistic P-Value CONSTANT -0, , , ,0016 Entusiasmo_intere 0, , , ,0000 Organiza_clases 0, , ,9202 0,0000 Prom_participacio 0, , , , Sat Global = Entus i +0.72Organiza i +0.1 Part i (7.8) (30.9) (3.9) R 2 =95.4%
Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y
Regresión Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y X Y
Más detallesRegresión. Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y
Regresión Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y X Y
Más detallesVamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y
Regresión Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y X Y
Más detallesVamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y
Regresión Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y Vamos a estudiar: Relación entre variables. Cómo influye una variable X sobre otra variable Y X Y
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 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 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 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 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 detallesGrado en Ingeniería. Asignatura: Estadística. Tema: Regresión. Grado en Ingeniería. Estadística. Tema 4
Grado en Ingeniería Asignatura: Estadística. Tema: Regresión. Regresión Introducción. Relaciones no deterministas. Regresion simple. Modelo. Estimación. Diagnosis. Regresion múltiple. Gráficos de dispersión
Más detallesSegunda práctica de REGRESIÓN.
Segunda práctica de REGRESIÓN. DATOS: fichero practica regresión 2.sf3. Objetivo: El objetivo de esta práctica es interpretar una regresión y realizar correctamente la diagnosis. En la primera parte se
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 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 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 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 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 detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesEstadística II Ejercicios Tema 4
Estadística II Ejercicios Tema 4 1. Los siguientes datos muestran la estatura (en cm.) y el peso (en Kg.) para una muestra de cinco alumnos de una clase: estatura (cm.) peso (Kg.) 154 60 158 62 162 61
Más detallesASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez https://torrezcesar.wordpress.com
ASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez torrezcat@gmail.com https://torrezcesar.wordpress.com 0416-2299743 Programa de Estadística II UNIDAD IV: REGRESIÓN Y CORRELACIÓN MÚLTIPLE LINEAL TANTO
Más 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 detallesConsidere 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 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 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 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 detallesEstadística II Tema 4. Regresión lineal simple. Curso 2010/11
Estadística II Tema 4. Regresión lineal simple Curso 010/11 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesJavier Roca Pardiñas Prof. Titular de Universidade Dpto. Estatística e I.O. Universidade de Vigo
Javier Roca Pardiñas Prof. Titular de Universidade Dpto. Estatística e I.O. Universidade de Vigo 30/10/2013 Modelos Lineales de Regresión Índice 1. Planteamiento de modelo Caso práctico 2. Estimación y
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 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 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 detallesREGRESION Y CORRELACION LINEALES
REGRESION Y CORRELACION LINEALES 1 Relaciones entre variables regresión El término regresión fue introducido por Galton (1889) refiriéndose a la le de la regresión universal : Cada peculiaridad en un hombre
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 detallesCHEMO. DESCRIPTIVA Estadística MUY aplicada
CHEMO DESCRIPTIVA Estadística MUY aplicada Teresa Villagarcía Para qué sirve la estadística? PARA SUFRIR MUCHO Estudiaremos Formas eficaces de obtener información de los datos: medir. Muchos análisis gráficos
Más detallesSociología S Es E tad a í d stica a M U M Y U Y ap a l p icad a a d Teresa Villagarcía
Sociología Estadística MUY aplicada Teresa Villagarcía Para qué sirve la estadística? PARA SUFRIR MUCHO Estudiaremos Formas eficaces de obtener información de los datos: medir. Muchos análisis gráficos
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 detallesEjemplo de Regresión Lineal Simple.
Ejemplo de Regresión Lineal Simple. El archivo sargos.csv contiene datos morfométricos de una muestra de 200 sargos. Estos datos pueden leerse en R mediante la sintaxis: sargos=read.table(file="http://dl.dropbox.com/u/7610774/sargos.csv",
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 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 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 detalles15. Regresión lineal. Te recomiendo visitar su página de apuntes y vídeos:
15. Regresión lineal Este tema, prácticamente íntegro, está calacado de los excelentes apuntes y transparencias de Bioestadística del profesor F.J. Barón López de la Universidad de Málaga. Te recomiendo
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 detallesRegresión múltiple. Efecto de varias variables ambientales sobre una especie de ganso migratorio. Luz
Nombre: AGRO 6600 LAB 12 Regresión múltiple Los datos adjuntos se tomaron para estudiar el efecto de varias variables ambientales sobre el tiempo en el que una especie de ganso migratorio deja su nido
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 detallesTODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)
TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) NOTA IMPORTANTE - Estas notas son complementarias a las notas de clase del primer semestre correspondientes a los temas de Regresión
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 detallesModelo de Regresión Lineal
Modelo de Regresión Lineal Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Introducción Un ingeniero, empleado por un embotellador de gaseosas,
Más 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 detallesAjustando Curva SnapStat
STATGRAPHICS Rev. 9/14/26 Ajustando Curva SnapStat Resumen El procedimiento Ajustando Curva SnapStat crea un resumen de una pagina que describe la relación entre un solo factor cuantitativo X y una variable
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 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 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 detallesAnálisis de Regresión y Correlación Lineal
Análisis de Regresión y Correlación Lineal Análisis de dos ó más variables aleatorias Veamos que en los siguientes estudios hay situaciones donde intervienen más de una variable aleatoria Ejemplos: La
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 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 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 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 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 detallesEstadística Estadística descriptiva bivariante
Estadística Estadística descriptiva bivariante Vamos a medir dos características (variables) sobre cada individuo. Las variables pueden ser cuantitativas o cualitativas combinadas de todas las formas posibles
Más detallesInfoStat. Software estadístico. Dagoberto Salgado Horta
InfoStat. Software estadístico InfoStat. Software estadístico Para recibir, sin cargo, una clave de activación estudiantil de InfoStat complete el siguiente formulario. La clave se le enviará por correo
Más detallesEstadística Descriptiva Bivariante con STATGRAPHICS -Dependencia lineal y Regresión-
Estadística Descriptiva Bivariante con STATGRAPHICS -Dependencia lineal y Regresión- 1. Introducción Fichero de datos empleado: VelVientos730.sf3 En este documento se analizarán, utilizando Statgraphics,
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 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 detallesLinear Regression and the Least-squares problem
Linear Regression and the Least-squares problem Aniel Nieves-González Aniel Nieves-González () Linear Regression and the LSP 1 / 25 Variables cuantitativas y relaciones entre estas (Repaso) Recuerde que
Más detalles= 15 CALIFICACION:
6 + 4 + 5 = 15 CALIFICACION: Vacacion.xls Este fichero está adaptado del fichero vacation.gdt del libro de Hill et al.(2008) que se puede descargar en: http://gretl.sourceforge.net/gretl data.html PARTE
Más 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 detallesANEXO 3-A LA LECTURA DE UNA ESPECIE DE COMPUTADORA
ANEXO 3-A LA LECTURA DE UNA ESPECIE DE COMPUTADORA La presente sección busca echar un vistazo en el mundo del análisis de regresión. Presentamos, pues, tres extractos de salidas de computadora que provienen
Más detallesModelo de Regresión Lineal Simple
1. El Modelo Modelo de Regresión Lineal Simple El modelo de regresión lineal simple es un caso especial del múltple, donde se tiene una sola variable explicativa. y = β 0 + β 1 x + u (1.1) Donde u representa
Más detallesAnálisis Multivariado: Modelo Predictivo de Regresión Lineal Múltiple
Análisis Multivariado: Modelo Predictivo de Regresión Lineal Múltiple El modelo predictivo utilizado para realizar el presente análisis es el de regresión lineal múltiple (RLM) 1. Resulta plausible la
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 detallesUNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 11
UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 11 DOCENTE: Ing. Patricio Puchaicela ALUMNA: Andrea C. Puchaicela G. CURSO: 4to. Ciclo de Electrónica y Telecomunicaciones AÑO
Más 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 para el análisis de los Mercados S3_A1.1_LECV1. Estadística Descriptiva Bivariada
Estadística Descriptiva Bivariada En el aspecto conceptual, este estudio puede ser generalizado fácilmente para el caso de la información conjunta de L variables aunque las notaciones pueden resultar complicadas
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 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 detallesEstadística; 3º CC. AA. Examen final, 23 de enero de 2009
Estadística; 3º CC. AA. Examen final, 3 de enero de 9 Apellidos Nombre: Grupo: DNI. (5 ptos.) En un estudio sobre las variables que influyen en el peso al nacer se han obtenido utilizando SPSS los resultados
Más detallesCUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES
TUTORÍA DE INTRODUCCIÓN A LA ESTADÍSTICA (º A.D.E.) CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES 1º) Qué ocurre cuando r = 1: a) Los valores teóricos no
Más detallesLinear Regression and the Least-squares problem
Linear Regression and the Least-squares problem Aniel Nieves-González Abril 2013 Aniel Nieves-González () Linear Regression and the LSP Abril 2013 1 / 25 Variables cuantitativas y relaciones entre estas
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 detallescon los supuestos clásicos, uno de ellos es que ninguna de las variables X 1, X 2,, X K es
TEMA 2: EXTENSIONES DEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE: MULTICOLINEALIDAD Y TRANSFORMACIONES LINEALES. Wooldridge: Capítulos 6 (apartado 6.1) y 7 Gujarati: Capítulos 9 (apartado 9.8), 10 y 12 1. MULTICOLINEALIDAD
Más detallesESTADISTICA AVANZADA MODULO I
ESTADISTICA AVANZADA MODULO I Análisis de Regresión Modelo Supuestos Multiple 20.0 25.0 30.0 35.0 40.0 45.0 50.0 55.0 60.0 65.0 70.0 75.0 80.0 85.0 Consumo Energetico Gráfico de Dispersión 110.000 105.000
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 detalles3. RELACION ENTRE DOS CONJUNTOS DE DATOS.
3. RELACION ENTRE DOS CONJUNTOS DE DATOS. 3. 1 Introducción En la búsqueda de mejoras o en la solución de problemas es necesario, frecuentemente, investigar la relación entre variables. Para lo cual existen
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 21 - Junio - 2.004 Primera Parte Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras que,
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 4)
OBJETIVOS DE APRENDIZAJE: TEMA Nº ANÁLISIS CONJUNTO DE DOS VARIABLES Distinguir entre variables cualitativas y cuantitativas, y saber elegir los métodos en cada caso. Conocer métodos gráficos y cuantitativos
Más detallesAjuste por mínimos cuadrados
Mathieu Departamento de Matemática Aplicada y Estadística Universidad Politécnica de Cartagena Cartagena, Enero 2010 Guión 1 Planteamiento 2 Criterio de mínimos cuadrados 3 Casos concretos: regresión lineal
Más detallesINTRODUCCIÓN A REGRESIÓN LINEAL. Simple y Múltiple
1 INTRODUCCIÓN A REGRESIÓN LINEAL Simple y Múltiple 2 Introducción Aprendizaje Supervisado Predicción: estimar una función f(x) de forma que y = f(x) Donde Y puede ser: Número real: Regresión Categorías:
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 22 - Diciembre - 2.006 Primera Parte - Test Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
Más detallesCLAVE Lab 11 - Regresión Lineal Simple y Polinomial
Escala común CLAVE Lab 11 - Regresión Lineal Simple y Polinomial 1. A mano, construya los siguientes gráficos: a. Grafique la línea recta correspondiente a la ecuación y 2x 1 b. Grafique la línea recta
Más detallesRegresión Lineal Simple. Dr. Víctor Aguirre Torres, ITAM. Guión 11.
Regresión Lineal Simple 1 Propósito Cuantificar el cambio en el valor esperado de una variable (y) en función de otra variable (x). y=var. Dependiente (cuantitativa) x=var. Explicativa (cuantitativa) 2
Más detallesRegresión. Teresa Villagarcía
Regresión Teresa Villagarcía 1 1. Introducción. En cualquier ciencia es necesario establecer relaciones entre variables que se presupone que tienen relación con el objeto de estudio. Si estas relaciones
Más detallesEjemplo de Regresión Lineal Simple
Ejemplo de Regresión Lineal Simple Países Porcentaje de Inmunización (x) Tasa de mortalidad (y) Bolivia 77 8 Brazil 69 65 Cambodia 3 84 Canada 85 8 China 94 43 Czech_Republic 99 Egypt 89 55 Ethiopia 3
Más detallesGeneralmente, el objetivo de cualquier estudio de econometría es la. búsqueda de relaciones matemáticas que permitan explicar el comportamiento
5. METODOLOGÍA ECONOMÉTRICA. Generalmente, el objetivo de cualquier estudio de econometría es la búsqueda de relaciones matemáticas que permitan explicar el comportamiento de una variable económica a partir
Más detallesTODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis
TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:
Más 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 detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 3.1 Colinealidad Exacta 3.2 Los efectos de la multicolinealidad Del
Más detallesRegresión lineal
86 Bioestadística: Métodos y Aplicaciones coeficiente de determinación de la regresión de Y sobre X, R 2 Y X, como R 2 Y X = 1 S2 E S 2 Y (3.4) Si el ajuste de Y mediante la curva de regresión Ŷ = f(x)
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 detallesTécnicas de Investigación Social
Licenciatura en Sociología Curso 2006/07 Técnicas de Investigación Social Medir la realidad social (4) La regresión (relación entre variables) El término REGRESIÓN fue introducido por GALTON en su libro
Más detalles