El Análisis de la Regresión a través de SPSS
|
|
- Jesús Carrasco Maidana
- hace 8 años
- Vistas:
Transcripción
1 El Análisis de la Regresión a través de SPSS M. D olores M artínez M iranda Profesora del D pto. E stadística e I.O. U niversidad de G ranada Referencias bibliográficas. Hair, J.F., Anderson, R.E., Tatham, R.L. y Black, W.C. (999) Análisis Multivariante (5ª edición). Ed. Prentice Hall.. Pérez, C. () Técnicas estadísticas con SPSS. Ed. Prentice Hall.
2 INTRODUCCIÓN El Análisis de Regresión tiene como objetivo estudiar la relación entre variables. Permite expresar dicha relación en términos de una ecuación que conecta una variable de respuesta Y, con una o más variables explicativas X,X,,X k. Finalidad: Determinación explícita del funcional que relaciona las variables. (Predicción) Comprensión por parte del analista de las interrelaciones entre las variables que intervienen en el análisis.
3 PLANTEAMIENTO GENERAL Notación: Y variable de respuesta (dependiente, endógena, explicada) X,X,,X k variables explicativas (independientes, exógenas, regresores) Modelo general de Regresión: m función de regresión Y = m (X,X,,X k ) + residuos del modelo (errores de observación, inadecuación del modelo)
4 Variantes del Análisis de Regresión en SPSS Según el número de v. explicativas: Simple o Múltiple. Supuestos sobre la función de regresión Regresión lineal Y = + X + X + + k X k + Estimación curvilínea (Potencial, exponencial, hiperbólica, etc.) Y = exp (a + b X) Linealización ln Y = a + b X Regresión no lineal (Algoritmos de estimación iterativos)
5 Tipo de datos Variantes del Análisis de Regresión en SPSS Regresión logística, Modelos Probit (La variable de respuesta es binaria) Regresión ordinal (La variable de respuesta es de tipo ordinal) Escalamiento óptimo o regresión categórica (Las variables explicativas y/o explicada, pueden ser nominales) Situaciones especiales en la estimación del modelo lineal: Mínimos cuadrados en dos fases (correlación entre residuos y v. explicativas), estimacion ponderada (situación de heterocedasticidad)
6 Submenú REGRESIÓN Regresión lineal múltiple Ajuste de curvas mediante linealización Modelos de regresión con respuestas binarias u ordinales Modelos de regresión no lineales Modelos de regresión con variables categóricas Correcciones en el modelo lineal
7 Contenidos: Aplicaciones con SPSS Regresión lineal (múltiple) Estimación ponderada Mínimos cuadrados en dos fases Escalamiento óptimo Regresión curvilínea Regresión no lineal
8 Regresión lineal múltiple -Modelo teórico- Modelo lineal Y = + X + X + + k X k + () Parámetros j magnitud del efecto que X j tienen sobre Y (incremento en la media de Y cuando X j aumenta una unidad) término constante (promedio de Y cuando las v. explicativas valen ) residuos (perturbaciones aleatorias, error del modelo) Datos (observaciones, muestra) { (Y i, X i,,x ki ) : i =,,n } PROBLEMA Suponiendo que la relación entre las variables es como en (), estimar los coeficientes ( j ) utilizando la información proporcionada por la muestra
9 Regresión lineal múltiple -Modelo teórico- Expresión matricial Y = X + HIPÓTESIS j son v.v.a.a. con media e independientes de las X j Homocedasticidad: j tienen varianzas iguales ( ) No autocorrelación: j son incorreladas entre sí j son normales e independientes (Inferencia sobre el modelo) No multicolinealidad: Las columnas de X son linealmente independientes ( rango(x) = k+ ) + n k kn n n k k n X X X X X X X X X = Y Y Y M M L M O M M L L M
10 Estimación del modelo Problema de mínimos cuadrados ^ Y i valor predicho Solución Minimizar,,..., k n i= ˆ T = L k = { Y ( + X X ) } i ( n > k+ ) Suma residual de cuadrados ( ˆ ˆ ˆ ) (X T X) - X T Y Estimación de los coeficientes i k ik Residuo estimado : ˆ i = Y i Ŷ i
11 Ejemplo con SPSS (Coches.sav) Objetivo: Ajustar un modelo lineal que permita predecir el consumo en función de motor, cv, peso y acel Variable dependiente CONSUMO Variables independientes MOTOR CV PESO ACEL Consumo (l/km) Cilindrada en cc Potencia (CV) Peso total (kg) Aceleración a km/h (segundos)
12 Analizar Regresión Lineal Coeficientes a Modelo (Constante) Cilindrada en cc Potencia (CV) Peso total (kg) Aceleración a km/h (segundos) Coeficientes no estandarizados a. Variable dependiente: Consumo (l/km) Coeficientes estandarizad os B Error típ. Beta t Sig.,43,66,37,7 3,93E-4,,34,6,8 4,386E-,8,44 5,58, 4,948E-3,,355 4,44,,54E-,59,8,44,67 Coeficientes tipificados Comparación de los efectos b = j X j Y ˆ j ˆ = ( ˆ ˆ L ˆ ) T k Consumo = E-4 Motor E- CV E-3 Peso +.54E- Acel Significación individual de las variables y de la constante (Inferencia)
13 Inferencia sobre el modelo Significación individual de las variables Utilidad: Verficar si cada variable aporta información significativa al análisis Nota: Depende de las interrelaciones entre las variables, no es concluyente Contraste de hipótesis ( X j ) H : j = H : j Aceptar H significa que la variable no aporta información significativa en el análisis de regresión realizado Resolución ˆ j T = t SE( ˆ Bajo H n-k- ) j
14 Inferencia sobre el modelo Significación de la constante Utilidad: Verficar si la v.dependiente tiene media cuando las v.explicativas se anulan Contraste de hipótesis H : = H : Aceptar H significa que no es conveniente incluir un término constante en el análisis de regresión realizado Resolución ˆ T = t SE( ˆ Bajo H n- )
15 Ejemplo (Coches.sav) Interpretación del p-valor (en un contraste al nivel de significación ) Si p-valor < entonces se rechaza la hipótesis nula Modelo (Constante) Cilindrada en cc Potencia (CV) Peso total (kg) Aceleración a km/h (segundos) Coeficientes a Coeficientes no estandarizados a. Variable dependiente: Consumo (l/km) Coeficientes estandarizad os B Error típ. Beta t Sig.,43,66,37,7 3,93E-4,,34,6,8 4,386E-,8,44 5,58, 4,948E-3,,355 4,44,,54E-,59,8,44,67 H : = H : Al 5% se puede no incluir constante en el modelo Al nivel de significación del 5%: Motor (.8) y Acel (.67) no son significativas CV (.) y Peso (.) sí son significativas H : j = H : j
16 Inferencia sobre el modelo Bondad de ajuste Descomposición de la variabilidad n ( Yi y ) 4 i= VT = n ( Ŷi y ) i = VE + n ˆ i 3 i= VNE Coeficiente de determinación VE R = = VT - VNE VT R: Coeficiente correlación lineal múltiple Indica la mayor correlación entre Y y las c.l. de las v. explicativas Inconveniente: Sobrevalora la bondad del ajuste Coeficiente de determinación corregido R = - n - R n - k -
17 Ejemplo (Coches.sav) Modelo Resumen del modelo b R cuadrado Error típ. de la R R cuadrado corregida estimación,869 a,755,75,97 a. Variables predictoras: (Constante), Aceleración a km/h (segundos), Peso total (kg), Potencia (CV), Cilindrada en cc b. Variable dependiente: Consumo (l/km) R =.755 Consumo queda explicada en un 75.5% por las variables explicativas según el modelo lineal considerado R corregido =.75 (siempre algo menor que R )
18 Inferencia sobre el modelo Contraste de regresión (ANOVA) Utilidad: Verificar que (de forma conjunta) las v.explicativas aportan información en la explicación de la variable de respuesta Contraste: Resolución (ANOVA) H : = = = k = H : Algún j H : R = H : R Aceptar H significa que las v.explicativas no están relacionadas linealmente con Y VE / k F = Fk, n-k- VNE / (n - k -) Bajo H
19 Ejemplo (Coches.sav) Modelo Regresión Residual Total Contraste de regresión ANOVA b Suma de Media cuadrados gl cuadrática F Sig. 466, 4 56,555 97,956, a 5, ,88 68,48 39 a. Variables predictoras: (Constante), Aceleración a km/h (segundos), Peso total (kg), Potencia (CV), Cilindrada en cc b. Variable dependiente: Consumo (l/km) Al 5% se rechaza H (las variables explicativas influyen de forma conjunta y lineal sobre Y) Fuente de variabilidad Suma de cuadrados Grados de libertad Media cuadrática F exp. Modelo VE k VE / k VE / k VNE / (n-k-) Residual VNE n-k- VNE / (n-k-) Total VT n-
20 Predicción Bandas de confianza Predicciones para Y (dentro del rango de predicción) Ŷ(x,x,...,xk ) = + x I.C. para los valores predichos de Y I.C. para la media de Y k x k Regresión Valor pronosticado tipificado Gráfico de dispersión Variable dependiente: Consumo (l/km) R² = Consumo (l/km)
21 El análisis de los residuos Objetivo: Verificar que no se violan las hipótesis sobre las que se estima el modelo y se realiza la inferencia. Normalidad de los residuos. No autocorrelación 3. Homocedasticidad 4. Falta de linealidad 5. No multicolinealidad Posibles correcciones: Detección de atípicos y puntos influyentes Transformaciones Variables ficticias Ajustes polinomiales Términos de interacción
22 .. Normalidad de los residuos Herramientas disponibles en SPSS Gráficos: Histograma, gráfico probabilístico normal Histograma. Gráfico P-P normal de regresión Residuo tipificado Frecuencia 4 Desv. típ. =,99 Media =, N = 39, Prob acum esperada Residuo tipificado Prob acum observada Contrastes: Kolmogorov-Smirknov, Shapiro-Wilks,
23 .. No autocorrelación Hace referencia a los efectos de la inercia de una observación a otra que pueda indicar la no independencia entre los residuos. Se trata de buscar modelos o pautas en los gráficos residuales frente al número de caso (incluso con cada variable independiente). Herramientas disponibles en SPSS: Gráficos residuales y el 4 estadístico de Durbin-Watson 3 Error típ. de la Durbin-W estimación atson,97,8 Variables predictoras: (Constante), Aceleración a km/h (segundos), Standardized Residual Número de orden de las observaciones 4 5 H : No hay autocorrelación Si d<.8 rechazar, Si d>.4 no rechazar. Si.8<d<.4 no es concluyente Posibles soluciones: - Transformaciones - Añadir variables
24 .3. Homocedasticidad Hace referencia a la constancia de los residuos para los valores que van tomando las variables independientes. Herramientas disponibles en SPSS: Gráficos residuales Standardized Residual Standardized Residual Potencia (CV) Cilindrada en cc Consumo (l/km) Regresión Valor pronosticado tipificado 3 Standardized Residual Standardized Residual Peso total (kg) Aceleración a km/h (segundos)
25 .4. Falta de linealidad Hace referencia a las posibles desviaciones de los datos desde el modelo lineal que se está ajustando. Herramientas disponibles en SPSS: Gráficos de regresión parcial Gráfico de regresión parcial Gráfico de regresión parcial y gráficos residuales 3 Variable dependiente: Consumo (l/km) Variable dependiente: Consumo (l/km) Consumo (l/km) Cilindrada en cc Gráfico de regresión parcial Variable dependiente: Consumo (l/km) 3 3 Consumo (l/km) Peso total (kg) Gráfico de regresión parcial Variable dependiente: Consumo (l/km) 3 4 Son diagramas de dispersión de los residuos de cada v. independiente y los residuos de la v. dependiente cuando se regresan ambas por separado sobre las restantes v. independientes. Consumo (l/km) Consumo (l/km) Potencia (CV) Aceleración a km/h (segundos)
26 Impacto de la multicolinealidad.5. No multicolinealidad Colinealidad es la asociación, medida como correlación, entre dos variables explicativas (el término multicolinealidad se utiliza para tres o más variables explicativas). Reducción del poder explicativo de cualquier v. explicativa individual en la medida en que está correlada con las otras v. explicativas presentes en el modelo. Herramientas disponibles en SPSS: Índices de condicionamiento, FIV Modelo Dimensión Diagnósticos de colinealidad a Proporciones de la varianza Aceleración Indice de Cilindrada Peso total a km/h Autovalor condición (Constante) en cc Potencia (CV) (kg) (segundos) 4,79,,,,,,,38 4,454,,3,,,,68E- 4,44,3,,9,,6 6,65E-3 7,474,,75,,7, 3,6E-3 36,85,76,,69,9,9 a. Variable dependiente: Consumo (l/km). Identificar los índices que estén por encima del umbral: 3. Para los índices identificados, identificar las variables con proporciones de varianza por encima del 9%: Habrá multicolinealidad si ocurre con dos o más coeficientes. Posibles soluciones: - ACP y utilizar las componentes principales como regresores. - A la vista de las correlaciones eliminar variables redundantes.
27 Datos anómalos Medidas de influencia Datos anómalos (atípicos) Individuos cuyo residuos tipificado es superior a 3 (en valor absoluto) Datos influyentes Individuos cuya omisión produce cambios notables en los resultados del análisis Objetivo: Detectar datos anómalos y datos influyentes Herramientas estadísticas (medidas de influencia) Identificación de puntos de apalancamiento (observaciones aisladas del resto sobre una o más v.independientes) Observaciones influyentes: influencias sobre coeficientes individuales, medidas globales de influencia.
28 Medidas para identificar puntos de apalancamiento: Leverage o medida de influencia: Límite: (k+) / n (Si n>5, 3(k+) / n) Distancia de Mahalanobis: Considera la distancia de cada observación desde los valores medios de las v.independientes. Existen tablas para contrastar, pero en general se procede a identificar valores considerablemente altos respecto al resto. Medidas para identificar observaciones influyentes: Influencias sobre coeficientes individuales: DFBETA Mide el efecto del dato i-ésimo ejerce sobre j. Límites para la versión estandarizada: ± n - / (si n<5 usar los límites de la normal) Medidas globales de influencia: DFITTS Mide el efecto del dato i-ésimo ejerce en su propia predicción. Límites para la versión estandarizada: ± [ (k+) / (n-k-) ] / COVRATIO Representa el grado al que una observación tiene impacto sobe los errores estándar de los coeficientes. Límites: ± 3(k+) / n Distancia de Cook: Localizar valores que exceden a 4 / (n-k-)
29 Detección de residuos atípicos: Los valores tipificados deben estar entre -3 y 3 Diagnósticos por caso a SPSS Número de caso 35 Consumo Valor Residuo tip. (l/km) pronosticado Residuo bruto,76 6 5,95,5 a. Variable dependiente: Consumo (l/km) Detección de puntos influyentes: Dist. De Mahalanobis, Cook, valor de influencia Estadísticos sobre los residuos a Valor pronosticado Valor pronosticado tip. Error típico del valor pronosticado Valor pronosticado corregido Residuo bruto Residuo tip. Residuo estud. Residuo eliminado Residuo eliminado estud. Dist. de Mahalanobis Distancia de Cook Valor de influencia centrado a. Variable dependiente: Consumo (l/km) Desviación Mínimo Máximo Media típ. N 5,95,5,7 3, ,545,843,, 39,7,83,, ,57,8,6 3, ,6,5,, ,68,76,, ,64,5,, 39-5,5,43,,4 39 -,66,433,6,67 39,66 68,68 3,99 4,866 39,,5,7,77 39,,76,, 39 El rango de valores para la distancia de Mahalanobis es elevado Hay valores de la distancia de Cook superiores a 4 / (n-k-) =. Medida de influencia. Límite (k=4):.38 Posible solución: Eliminar observaciones
30 Selección de un subconjunto óptimo de variables independientes Objetivo: Seleccionar aquellas variables que sin ser redundantes proporcionen la mejor explicación de la v. dependiente. Métodos secuenciales en SPSS: Hacia atrás, Hacia delante, Pasos sucesivos En términos muy muy generales Evalúan estadísticos F que controlan la entrada y salida de variables, además de las correlaciones parciales de la v. dependiente con cada regresor.
31 Método forward (hacia delante) Inicialmente no hay regresores, se van introduciendo uno a uno aquellos que tienen alta correlación parcial con la v. dependiente y que son significativos (valor F-entrar). Modelo Variables introducidas/eliminadas a Variables Variables introducidas eliminadas Método Peso total (kg), Hacia adelante (criterio: Prob. de F para entrar <=,5) Potencia (CV), Hacia adelante (criterio: Prob. de F para entrar <=,5) a. Variable dependiente: Consumo (l/km) Resumen del modelo Modelo Estadísticos de cambio R cuadrado Error típ. de la Cambio en Sig. del R R cuadrado corregida estimación R cuadrado Cambio en F gl gl cambio en F,837 a,7,699,7,7 99,85 39,,868 b,753,75,97,53 84,4 389, a. Variables predictoras: (Constante), Peso total (kg) b. Variables predictoras: (Constante), Peso total (kg), Potencia (CV)
32 Método backward (hacia atrás) Inicialmente se incluyen todos las v. independientes, se van eliminando una a una las que van resultando significativas (valor F-salir). Modelo 3 Variables introducidas/eliminadas b Variables introducidas Variables eliminadas Método Aceleración a km/h (segundos), Peso total (kg), Potencia (CV), Cilindrada en cc a, Introducir a. Todas las variables solicitadas introducidas b. Variable dependiente: Consumo (l/km), Aceleración a km/h (segundos) Hacia atrás (criterio: Prob. de F para eliminar >=,)., Cilindrada en cc Hacia atrás (criterio: Prob. de F para eliminar >=,). Resumen del modelo Modelo 3 Estadísticos de cambio R cuadrado Error típ. de la Cambio en Sig. del R R cuadrado corregida estimación R cuadrado Cambio en F gl gl cambio en F,869 a,755,75,97,755 97, ,,869 b,755,753,968,,8 389,67,868 c,753,75,97 -,,456 39,8 a. Variables predictoras: (Constante), Aceleración a km/h (segundos), Peso total (kg), Potencia (CV), Cilindrada en cc b. Variables predictoras: (Constante), Peso total (kg), Potencia (CV), Cilindrada en cc c. Variables predictoras: (Constante), Peso total (kg), Potencia (CV)
33 Método Stepwise (pasos sucesivos) Combina los dos métodos anteriores definiendo un procedimiento en el que las variables independientes entran o salen del modelo dependiendo de su significación (valores F-entrar y F-salir). Modelo Variables introducidas Peso total (kg), Potencia (CV), Variables introducidas/eliminadas a Variables eliminadas a. Variable dependiente: Consumo (l/km) Método Por pasos (criterio: Prob. de F para entrar <=,5, Prob. de F para salir >=,). Por pasos (criterio: Prob. de F para entrar <=,5, Prob. de F para salir >=,). Resumen del modelo Modelo Estadísticos de cambio R cuadrado Error típ. de la Cambio en Sig. del R R cuadrado corregida estimación R cuadrado Cambio en F gl gl cambio en F,837 a,7,699,7,7 99,85 39,,868 b,753,75,97,53 84,4 389, a. Variables predictoras: (Constante), Peso total (kg) b. Variables predictoras: (Constante), Peso total (kg), Potencia (CV)
34 Resumen Pasos a seguir en un análisis de regresión Paso. Objetivos del análisis Paso. Diseño de la investigación mediante regresión múltiple Paso 3. Supuestos del análisis Paso 4. Estimación del modelo de regresión y valoración global del ajuste Paso 5. Interpretación y validación de los resultados.
DIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009
Índice general 6. Regresión Múltiple 3 6.1. Descomposición de la variabilidad y contrastes de hipótesis................. 4 6.2. Coeficiente de determinación.................................. 5 6.3. Hipótesis
Más detallesTema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11
Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales
Más detallesREGRESIÓN LINEAL MÚLTIPLE
REGRESIÓN LINEAL MÚLTIPLE.- Planteamiento general....- Métodos para la selección de variables... 5 3.- Correlaciones parciales y semiparciales... 8 4.- Multicolinealidad en las variables explicativas...
Más detallesTécnicas Cuantitativas para el Management y los Negocios
Segundo cuatrimestre - 4 Técnicas Cuantitativas para el Management y los Negocios Mag. María del Carmen Romero 4 romero@econ.unicen.edu.ar Módulo III: APLICACIONES Contenidos Módulo III Unidad 9. Análisis
Más detallesUNIVERSIDAD CARLOS III DE MADRID MASTER EN CALIDAD TOTAL MANUAL DE SPSS
UNIVERSIDAD CARLOS III DE MADRID MASTER EN CALIDAD TOTAL MANUAL DE SPSS I. INTRODUCCIÓN Y MANEJO DE DATOS MANUAL DE SPSS 1 MASTER CALIDAD TOTAL 1/ INTRODUCCIÓN Las aplicaciones de la Estadística en la
Más detallesCapítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3
Capítulo 3 1. Introducción El análisis de regresión lineal, en general, nos permite obtener una función lineal de una o más variables independientes o predictoras (X1, X2,... XK) a partir de la cual explicar
Más detalles1 Introducción al SPSS
Breve guión para las prácticas con SPSS 1 Introducción al SPSS El programa SPSS está organizado en dos bloques: el editor de datos y el visor de resultados. En la barra de menú (arriba de la pantalla)
Más detallesREGRESION simple. Correlación Lineal:
REGRESION simple Correlación Lineal: Dadas dos variable numéricas continuas X e Y, decimos que están correlacionadas si entre ambas variables hay cierta relación, de modo que puede predecirse (aproximadamente)
Más detallesEstadística; 3º CC. AA. Examen final, 4 de septiembre de 2009
Estadística; 3º CC. AA. Examen final, 4 de septiembre de 2009 Apellidos Nombre: Grupo: DNI. (5 puntos) Se observa la variable Porcentaje de masa boscosa perdida anualmente en 0 provincias elegidas al azar
Más detallesFundamentos de Biología Aplicada I Estadística Curso 2011-2012 Práctica 6: Regresión Logística I
Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Índice 1. Objetivos de la práctica 2 2. Estimación de un modelo de regresión logística con SPSS 2 2.1. Ajuste de un modelo de regresión logística.............................
Más detallesCapítulo 18 Análisis de regresión lineal El procedimiento Regresión lineal
Capítulo 18 Análisis de regresión lineal El procedimiento Regresión lineal Introducción El análisis de regresión lineal es una técnica estadística utilizada para estudiar la relación entre variables. Se
Más detalles- se puede formular de la siguiente forma:
Multicolinealidad 1 Planteamiento Una de las hipótesis del modelo de regresión lineal múltiple establece que no existe relación lineal exacta entre los regresores, o, en otras palabras, establece que no
Más detallesCapítulo 18. Análisis de regresión lineal: El procedimiento Regresión lineal. Introducción
Capítulo 18 Análisis de regresión lineal: El procedimiento Regresión lineal Introducción El análisis de regresión lineal es una técnica estadística utilizada para estudiar la relación entre variables.
Más detallesIntroducción a la Econometría (LE y LADE, mañana) Prof. Magdalena Cladera ANÁLISIS DE REGRESIÓN CON EXCEL Y SPSS
Introducción a la Econometría (LE y LADE, mañana) Prof. Magdalena Cladera ANÁLISIS DE REGRESIÓN CON EXCEL Y SPSS ESTIMACIÓN DE UN MODELO DE REGRESIÓN LINEAL CON EXCEL La Herramienta para análisis Regresión
Más detalles8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...
Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación
Más detallesASOCIACIÓN LINEAL ENTRE VARIABLES CUANTITATIVAS: la correlación de Pearson
ASOCIACIÓN LINEAL ENTRE VARIABLES CUANTITATIVAS: la correlación de Pearson 3datos 2011 Análisis BIVARIADO de variables cuantitativas OBJETIVO DETERMINAR 1º) si existe alguna relación entre las variables;
Más detallesPráctica 2. Estadística Descriptiva
Práctica 2. Estadística Descriptiva Ejercicio 1 Mucha gente manifiesta reacciones de alergia sistémica a las picaduras de insectos. Estas reacciones varían de paciente a paciente, no sólo en cuanto a gravedad,
Más detalles1 Ejemplo de análisis descriptivo de un conjunto de datos
1 Ejemplo de análisis descriptivo de un conjunto de datos 1.1 Introducción En este ejemplo se analiza un conjunto de datos utilizando herramientas de estadística descriptiva. El objetivo es repasar algunos
Más detallesTrabajo de Matemáticas y Estadística Aplicadas
Licenciatura en Ciencia Ambientales Matemáticas y Estadística aplicada Prof. Susana Martín Fernández POLITÉCNICA Trabajo de Matemáticas y Estadística Aplicadas GUIÓN 1: Estadística descriptiva Tipo 1 1-
Más detallesCapítulo 15. Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante
Capítulo 15 Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante Los modelos factoriales de análisis de varianza (factorial = más de un factor) sirven para evaluar el efecto
Más detallesANÁLISIS DISCRIMINANTE
ANÁLISIS DISCRIMINANTE ANÁLISIS DISCRIMINANTE 1. Introducción 2. Etapas 3. Caso práctico Análisis de dependencias introducción varias relaciones una relación 1 variable dependiente > 1 variable dependiente
Más detallesSPSS: ANOVA de un Factor
SPSS: ANOVA de un Factor El análisis de varianza (ANOVA) de un factor nos sirve para comparar varios grupos en una variable cuantitativa. Esta prueba es una generalización del contraste de igualdad de
Más detallesESTUDIO DEL MERCADO AUTOMOTRIZ EN EEUU FERULLO SERGIO
ESTUDIO DEL MERCADO AUTOMOTRIZ EN EEUU FERULLO SERGIO INTRODUCCION A continuación se presenta un modelo sobre las ventas de autos de pasajeros en Estados Unidos. Se debe recordar que Estados Unidos posee
Más detallesRegresión lineal múltiple
. egresión lineal múltiple egresión lineal múltiple. Introducción. En el tema anterior estudiamos la correlación entre dos variables y las predicciones que pueden hacerse de una de ellas a partir del conocimiento
Más detallesTEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística
TEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística 1 TAMAÑO DEL EFECTO 2 TAMAÑO DEL EFECTO vel tamaño del efecto es el nombre dado a una familia de índices que miden la magnitud
Más detallesCómo obtener un Modelo de Regresión Logística Binaria con SPSS
Universitat de de Barcelona. Institut de de Ciències de de l Educació Cómo obtener un Modelo de Regresión Logística Binaria con SPSS Vanesa Berlanga-Silvente y Ruth Vilà-Baños Fecha de presentación:
Más detallesMaterial del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez
Curso de Análisis de investigaciones con programas Informáticos 1 UNIVERSIDAD DE JAÉN Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos
Más detallesPuede considerarse un caso especial de l análisis de regresión en donde la variable dependiente es dicotómica («Sí» [1] o «No» [0])
Regresión logística Puede considerarse un caso especial de l análisis de regresión en donde la variable dependiente es dicotómica («Sí» [1] o «No» [0]) Se trata de calcular la probabilidad en la que una
Más detallesAnálisis de Regresión Múltiple con Información Cualitativa: Variables Binarias o Ficticias
Análisis de Regresión Múltiple con Información Cualitativa: Variables Binarias o Ficticias Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía
Más detallesCLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO
Estadística Superior CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO 1 1. REGRESIÓN LINEAL SIMPLE Y MÚLTIPLE 1.1. Regresión lineal simple 1.2. Estimación y predicción por intervalo en regresión lineal
Más detallesTEMA 4: Variables binarias
TEMA 4: Variables binarias Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 4: Variables binarias Curso 2011-12 1 / 51 Variables
Más detallesModelos de regresión: lineal simple y regresión logística
14 Modelos de regresión: lineal simple y regresión logística Irene Moral Peláez 14.1. Introducción Cuando se quiere evaluar la relación entre una variable que suscita especial interés (variable dependiente
Más detallesServicio de Medicina Interna. Hospital Universitario Virgen Macarena. Sevilla
DOCUWEB FABIS Dot. úm 0702005 Cómo realizar paso a paso un contraste de hipótesis con SPSS para Windows: (III) Relación o asociación y análisis de la dependencia (o no) entre dos variables cuantitativas.
Más detallesEJERCICIOS PROPUESTOS - ANÁLISIS DE REGRESION MULTIPLE
EJERCICIOS PROPUESTOS - ANÁLISIS DE REGRESION MULTIPLE. En un estudio diseñado para analizar l efect de añadir avena a la dieta estadounidense tradicional, se dividieron aleatoriamente l individu en d
Más detallesTema 4 Técnicas de reducción de la dimensión
Tema 4 Técnicas de reducción de la dimensión José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid En qué dirección es conveniente proyectar? 2 1 0 1 2 1 0 1 2 Componentes principales
Más detallesTEMA 7: Análisis de la Capacidad del Proceso
TEMA 7: Análisis de la Capacidad del Proceso 1 Introducción Índices de capacidad 3 Herramientas estadísticas para el análisis de la capacidad 4 Límites de tolerancia naturales 1 Introducción La capacidad
Más detallesUNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL
UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL Objetivo terminal: Calcular e interpretar medidas de tendencia central para un conjunto de datos estadísticos. Objetivos específicos: 1. Mencionar las características
Más detallesOtras medidas descriptivas usuales
Tema 7 Otras medidas descriptivas usuales Contenido 7.1. Introducción............................. 1 7.2. Medidas robustas.......................... 2 7.2.1. Media recortada....................... 2 7.2.2.
Más detallesESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 3 - Septiembre - 2.6 Primera Parte - Test Las respuestas del TEST son las siguientes: Pregunta 2 3 4 5 6 Respuesta C A D C B A Pregunta 7 8 9 2 Respuesta
Más detallesBREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL
BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL Ramón Mahía Febrero 013 Prof. Ramón Mahía ramon.mahia@uam.es Qué se entiende por Multicolinealidad en el marco
Más detallesMEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL
MEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL Las medias de tendencia central o posición nos indican donde se sitúa un dato dentro de una distribución de datos. Las medidas de dispersión, variabilidad o variación
Más detallesPruebas de. Hipótesis
Pruebas de ipótesis Pruebas de ipótesis Otra manera de hacer inferencia es haciendo una afirmación acerca del valor que el parámetro de la población bajo estudio puede tomar. Esta afirmación puede estar
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesTema 3: El modelo de regresión lineal múltiple
Econometría 1 curso 2009-2010 Tema 3: El modelo de regresión lineal múltiple Genaro Sucarrat (Departamento de Economía, UC3M) http://www.eco.uc3m.es/sucarrat/ Recordamos: El modelo de regresión lineal
Más detallesAnálisis de Regresión y Correlación con MINITAB
Análisis de Regresión y Correlación con MINITAB Primeras definiciones y conceptos de la regresión El análisis de la regresión es una técnica estadística que se utiliza para estudiar la relación entre variables
Más detallesSeries de Tiempo. Una Introducción
Series de Tiempo. Una Introducción Series de Tiempo Muchas veces, sobretodo para realizar pronósticos, resulta conveniente no suponer un modelo explícito para que explique la variables de interés, sino
Más detalles320514 - APTM - Análisis de Procesos Textiles y de Mercados
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2015 320 - EET - Escuela de Ingeniería de Terrassa 714 - ETP - Departamento de Ingeniería Textil y Papelera MÁSTER UNIVERSITARIO
Más detallesAnálisis de componentes principales
Capítulo 2 Análisis de componentes principales 2.1. INTRODUCCIÓN El Análisis de componentes principales trata de describir las características principales de un conjunto de datos multivariantes, en los
Más detallesProcesamiento de información para la investigación utilizando el programado Excel recopilados. Los participantes rán en
Procesamiento de información para la investigación utilizando el programado Excel recopilados. Los participantes rán en Julio E. Rodríguez Torres el Joel uso O. Lucena de Excel. Quiles Centro para la Excelencia
Más detallesTEMA 3: TRATAMIENTO DE DATOS EN MS. EXCEL (I)
VARIABLES Variable: característica de cada sujeto (cada caso) de una base de datos. Se denomina variable precisamente porque varía de sujeto a sujeto. Cada sujeto tiene un valor para cada variable. El
Más detallesPRUEBA DE KOLMOGOROV SMIRNOV (Contraste sobre la forma de la distribución) F(X) es la función de distribución que hipotetizamos.
PRUEBA DE KOLMOGOROV SMIRNOV (Contraste sobre la forma de la distribución) PRUEBAS NO PARAMÉTRICAS F(X) es la función de distribución que hipotetizamos. Fs(X) es la probabilidad o proporción teórica de
Más detallesSPSS Aplicación práctica: Base de datos del HATCO
Aplicación práctica: Base de datos del HATCO Datos: observaciones de variables obtenidos desde encuentas a clientes de un distribuidor industrial. Variables de interés en la aplicación: Percepciones de
Más detalles-Género: no nos ha quedado claro cómo influye este parámetro en el gasto en ocio, si positiva o negativamente.
INTRODUCCIÓN En este trabajo estudiamos el gasto en ocio de la población, escogiendo una muestra al azar. Realizando encuestas hemos recogido información de 125 personas, las variables que hemos visto
Más detallesTEMA 4: Introducción al Control Estadístico de Procesos
TEMA 4: Introducción al Control Estadístico de Procesos 1 Introducción 2 Base estadística del diagrama de control 3 Muestreo y agrupación de datos 4 Análisis de patrones en diagramas de control 1. Introducción
Más detalles1. Análisis de variables cuantitativas (2 a parte)
Práctica 3: Análisis descriptivo de variables. Parte II. 1. Análisis de variables cuantitativas (2 a parte) Realizaremos un estudio descriptivo completo de variables cuantitativas. Ilustraremos los conceptos
Más detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesUNED. DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA 8] Análisis de Regresión Lineal Simple y Múltiple
011 UNED DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA 8] Análisis de Regresión Lineal Simple y Múltiple 1 Índice 8.1 Introducción... 3 8. Objetivos... 4 8.3 Análisis de Regresión Simple... 4 8.3.1
Más detallesDecisión: Indican puntos en que se toman decisiones: sí o no, o se verifica una actividad del flujo grama.
Diagrama de Flujo La presentación gráfica de un sistema es una forma ampliamente utilizada como herramienta de análisis, ya que permite identificar aspectos relevantes de una manera rápida y simple. El
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 26 - Junio - 2.8 Primera Parte - Test Nota : En la realización de este examen sólo esta permitido utilizar calculadoras que, a lo sumo, tengan funciones
Más detallesData Mining Técnicas y herramientas
Data Mining Técnicas y herramientas Introducción POR QUÉ? Empresas necesitan aprender de sus datos para crear una relación one-toone con sus clientes. Recogen datos de todos lo procesos. Datos recogidos
Más detallesUNIVERSIDAD DE CIENCIAS EMPRESARIALES Y SOCIALES. Facultad de Psicología y Ciencias Sociales. Carrera Sociología
UNIVERSIDD DE CIENCIS EMPRESRILES Y SOCILES Facultad de Psicología y Ciencias Sociales Carrera Sociología Curso ESTDÍSTIC STIC I Clase 6: nálisis de Correlación n Lineal Simple Prof. Titular: Lic. Rubén
Más detallesCORRELACIONES CON SPSS
ESCUEL SUPERIOR DE INFORMÁTIC Prácticas de Estadística CORRELCIONES CON SPSS 1.- INTRODUCCIÓN El concepto de relación o correlación entre dos variables se refiere al grado de parecido o variación conjunta
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesGráfico de Dispersión de Notas en la Prueba 1 versus Notas en la Prueba Final Acumulativa de un curso de 25 alumnos de Estadística en la UTAL
0. Describiendo relaciones entre dos variables A menudo nos va a interesar describir la relación o asociación entre dos variables. Como siempre la metodología va a depender del tipo de variable que queremos
Más detallesLos valores de las respuesta son las puntuaciones que, de cada individuo, o cluster, obtenemos semanalmente durante cinco semanas consecutivas:
Sobre los modelos lineales mixtos Ejemplo: Recuperación de infarto. Para estudiar las diferencias entre dos procedimientos diferentes de recuperación de pacientes de un infarto, se consideraron dos grupos
Más detallesTEMA 7 ANÁLISIS DE DATOS: INTRODUCCIÓN AL SPSS
TEMA 7 ANÁLISIS DE DATOS: INTRODUCCIÓN AL SPSS 1. Introducción 2. Definición de variables 3. Introducción de los datos 4. Análisis de los datos 5. Otras utilidades 1. INTRODUCCIÓN El SPSS es un paquete
Más detallesTitulación: GRADO EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS. Asignatura: ECO Análisis avanzado de datos. Semestre: Primero.
Titulación: GRADO EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS Asignatura: ECO Análisis avanzado de datos Semestre: Primero Econometría [1] Asignatura: ECO Análisis avanzadas de datos Formación: Obligatoria
Más detallesRelación entre variables cuantitativas
Investigación: Relación entre variables cuantitativas 1/8 Relación entre variables cuantitativas Pita Fernández S., Pértega Díaz S. Unidad de Epidemiología Clínica y Bioestadística. Complexo Hospitalario
Más detallesEconometría de Económicas
Econometría de Económicas Apuntes para el tema 6 Curso 2004-2005 Profesoras Amparo Sancho Guadalupe Serrano Modelos de panel de datos Datos de Panel son aquellos que surgen de la observación de una misma
Más detallesRegresión de Poisson
Regresión de Poisson -- Si la estructura de los errores es realmente de Poisson, entonces: devianza residual / grados de libertad residuales = 1 si el cociente es mayor que 1 estamos ante el fenómeno (incómodo)
Más detallesTema 3: Diseño de experimentos
Grado en Fisioterapia, 2010/11 Cátedra de Bioestadística Universidad de Extremadura 15 de noviembre de 2010 Índice Diseños con un factor 1 Diseños con un factor Comparación de dos medias Comparación de
Más detallesESTADÍSTICA DESCRIPTIVA CON SPSS
ESTADÍSTICA DESCRIPTIVA CON SPSS (2602) Estadística Económica Joaquín Alegre y Magdalena Cladera SPSS es una aplicación para el análisis estadístico. En este material se presentan los procedimientos básicos
Más detallesMATEMÁTICA NM4 4º EM
MATEMÁTICA NM4 4º EM UNIDADES TEMÁTICAS UNIDAD Nº 01: ESTADÍSTICA Y PROBABILIDAD Conceptos generales : Población, muestra, parámetro y estadístico Variables y su clasificación Medición y escalas Organización
Más detallesMedidas de tendencia central o de posición: situación de los valores alrededor
Tema 10: Medidas de posición y dispersión Una vez agrupados los datos en distribuciones de frecuencias, se calculan unos valores que sintetizan la información. Estudiaremos dos grandes secciones: Medidas
Más detallesEVOLUCIÓN DE DOS ÍNDICES BURSÁTILES Y DEL PRECIO DEL PETÓLEO EN ECONOMÍAS ABIERTAS EN CICLOS DE EXPANSIÓN-CRISIS EN EL PERÍODO 2003:1-2010:5.
EVOLUCIÓN DE DOS ÍNDICES BURSÁTILES Y DEL PRECIO DEL PETÓLEO EN ECONOMÍAS ABIERTAS EN CICLOS DE EXPANSIÓN-CRISIS EN EL PERÍODO 2003:1-2010:5. En este trabajo realizo un estudio entre las variables, con
Más detallesANÁLISIS DE ENCUESTAS
ANÁLISIS DE ENCUESTAS TÉCNICAS MULTIVARIANTES 1. Introducción 2. Clasificación de las técnicas 3. Etapas de análisis 4. Supuestos básicos 5. Valores perdidos y anómalos introducción Definición. i ió -
Más detallesANEXO USO DEL PROGRAMA GIVE-WIN Y PC-GIVE
ANEXO USO DEL PROGRAMA GIVE-WIN Y PC-GIVE Para la realización de la presente tesis se utilizó una versión demostrativa del paquete computacional llamado Versión 2.10 de febrero del año 2002. Este software
Más detallesMetodología. del ajuste estacional. Tablero de Indicadores Económicos
Metodología del ajuste estacional Tablero de Indicadores Económicos Metodología del ajuste estacional Componentes de una serie de tiempo Las series de tiempo están constituidas por varios componentes que,
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesEmpresarial y Financiero
Curso de Excel Empresarial y Financiero SESIÓN : REGRESIÓN Rosa Rodríguez Relación con el Mercado Descargue de yahoo.com los Datos de precio ajustado de cierre de las acciones de General Electric (GE),
Más detallesTema 3. Medidas de tendencia central. 3.1. Introducción. Contenido
Tema 3 Medidas de tendencia central Contenido 31 Introducción 1 32 Media aritmética 2 33 Media ponderada 3 34 Media geométrica 4 35 Mediana 5 351 Cálculo de la mediana para datos agrupados 5 36 Moda 6
Más detallesLa demanda de plazas en la licenciatura de Medicina en España
La demanda de plazas en la licenciatura de Medicina en España Estudio econométrico por Comunidades Autónomas de la demanda de plazas en las facultades de Medicina españolas para el curso 2006/2007 Asignatura:
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 detallesMatemáticas 2º BTO Aplicadas a las Ciencias Sociales
Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD
Más detallesDiplomatura en CIENCIAS EMPRESARIALES ESTADISTICA EMPRESARIAL
Universidad Rey Juan Carlos Facultad de CC. Jurídicas y Sociales (Campus de Vicálvaro) asignatura: Diplomatura en CIENCIAS EMPRESARIALES ESTADISTICA EMPRESARIAL curso y duración: 2º Anual carácter: Troncal
Más detallesCapítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales
Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales Cuando se analizan datos, el interés del analista suele centrarse en dos grandes objetivos:
Más detallesDesarrollar y aplicar estrategias para resolver problemas Determinar si un gráfico es lineal dibujando puntos en una situación dada
MANEJO DE DATOS Analizar gráficos o diagramas de situaciones dadas para identificar información específica Recoger datos, dibujar los datos usando escalas apropiadas y demostrar una comprensión de las
Más detallesControl Estadístico del Proceso. Ing. Claudia Salguero Ing. Alvaro Díaz
Control Estadístico del Proceso Ing. Claudia Salguero Ing. Alvaro Díaz Control Estadístico del Proceso Es un conjunto de herramientas estadísticas que permiten recopilar, estudiar y analizar la información
Más detallesESTADÍSTICA BÁSICA en LABORATORIOS (Físico - Químicos)
ESTADÍSTICA BÁSICA en LABORATORIOS (Físico - Químicos) (Aplicaciones de Microsoft Excel ) Curso a distancia (EDICIÓN Junio 2012) ASECAL, S.L. MADRID-ESPAÑA RONDA DE TOLEDO, 8, LOCAL 1º- 28005 MADRID. Teléfono:
Más detallesParte I: Introducción
Parte I: Introducción Introducción al Data Mining: su Aplicación a la Empresa Cursada 2007 POR QUÉ? Las empresas de todos los tamaños necesitan aprender de sus datos para crear una relación one-to-one
Más detallesNº Persona Altura (m) Peso (Kg.) Nº Persona Altura (m) Peso (Kg.) 001 1.94 95.8 026 1.66 74.9 002 1.82 80.5 027 1.96 88.1 003 1.79 78.2 028 1.56 65.
.1. DIAGRAMAS DE DISPERSIÓN Diagramas de Dispersión Los Diagramas de Dispersión o Gráficos de Correlación permiten estudiar la relación entre 2 variables. Dadas 2 variables X e Y, se dice que existe una
Más detallesANÁLISIS DESCRIPTIVO CON SPSS
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística ANÁLISIS DESCRIPTIVO CON SPSS 1.- INTRODUCCIÓN Existen dos procedimientos básicos que permiten describir las propiedades de las distribuciones:
Más detallesAnálisis de Datos. Práctica de métodos predicción de en WEKA
SOLUCION 1. Características de los datos y filtros Una vez cargados los datos, aparece un cuadro resumen, Current relation, con el nombre de la relación que se indica en el fichero (en la línea @relation
Más detallesGeneración de Números Pseudo-Aleatorios
Números Aleatorios Son un ingrediente básico en la simulación de sistemas Los paquetes de simulación generan números aleatorios para simular eventos de tiempo u otras variables aleatorias Una secuencia
Más detalles1. Introducción a la estadística 2. Estadística descriptiva: resumen numérico y gráfico de datos 3. Estadística inferencial: estimación de parámetros
TEMA 0: INTRODUCCIÓN Y REPASO 1. Introducción a la estadística 2. Estadística descriptiva: resumen numérico y gráfico de datos 3. Estadística inferencial: estimación de parámetros desconocidos 4. Comparación
Más detallesCURSO HERRAMIENTAS ESTADISTICAS PARA IMPLEMENTACION DE SIX SIGMA EN EMPRESAS DE PRODUCCION, LOGISTICA Y SERVICIOS
CURSO HERRAMIENTAS ESTADISTICAS PARA IMPLEMENTACION DE SIX SIGMA EN EMPRESAS DE PRODUCCION, LOGISTICA Y SERVICIOS Cnel. R.L. Falcón 1435 C1406GNC 35 Buenos Aires, Argentina Tel.: 054-15-4492-6252 Fax:
Más detallesANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS
ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS 1) INTRODUCCIÓN El análisis de varianza es una técnica que se puede utilizar para decidir si las medias de dos o más poblaciones son iguales. La prueba se
Más detallesUNIVERSIDAD AUTÓNOMA DE MADRID DPTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I HOJA 2. Problemas
UNIVERSIDAD AUTÓNOMA DE MADRID DPTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I HOJA 2 Problemas 1. Supongamos que se dispone de una muestra de n = 5 individuos, con la que se quiere estudiar
Más detallesGráficas de caja. El borde derecho de la caja es el tercer cuartil, Q 3, que es la mediana de los valores que están por encima de la mediana.
LECCIÓN CONDENSADA 2.1 Gráficas de caja En esta lección crearás e interpretarás las gráficas de caja para conjuntos de datos usarás el rango intercuartil (IQR) para identificar valores extremos potenciales
Más detalles6. Análisis de la regresión: análisis gráfico
6. Análisis de la regresión: análisis gráfico 6.1. Introducción El papel de SPSS en el análisis de regresión consiste en proporcionar herramientas para representar nubes de puntos, para calcular los parámetros
Más detalles