Análisis de la Varianza
|
|
- María Jesús Castillo Bustamante
- hace 5 años
- Vistas:
Transcripción
1 Análisis de la Varianza Prof. Susana Martín n Fernández ndez
2 Índice Análisis de la Varianza de un Factor Análisis de la Varianza de dos Factores Análisis de la Varianza de dos Factores con Interacción
3 Objetivo Estudiar la influencia de 1 o más m factores en los valores de una variable aleatoria.
4 Procedimiento Descomponer la variabilidad de un experimento en componentes o factores independientes
5 Metodología 1.Representaci Representación n gráfica de los datos..planteamiento del modelo. 3.Estimaci Estimación n de los parámetros. 4.Contraste de si los factores influyen o no en la variable aleatoria. 5.Comprobaci Comprobación n de las hipótesis básicas por análisis de residuos.
6 Análisis de la Varianza de un Factor
7 1. Representación gr ANOVA 1 Facto n gráfica de los datos. EJ. Se tienen los datos históricos de los incendios forestales en la Comunidad de Madrid. Se quiere estudiar la influencia en la superficie quemada, del tipo de día de la semana en el que se inicia el incendio. Tipo de día: 1- Festivo - Víspera de festivo 3-Laborable (X 1000) 3 totalquemado Representación por Código de Nivel 1 3 CLASEDIA Gráfico de Cajas y Bigotes CLASEDIA (X 1000)
8 . Planteamiento del modelo ANOVA 1 Facto X ij = µ i + ε ij, j =1,,...,n i ; i =1,,...,k Donde X ij es el j-ésimoj valor para el nivel i del factor. µ i es el valor medio de la variable para el nivel i del factor. ε ij es la perturbación n aleatoria, variable que se supone Normal, de varianza constante, media nula e independiente.
9 . Planteamiento del modelo ANOVA 1 Facto (X 1000) 3 totalquemado Representación por Código de Nivel X 1j X j 1 3 CLASEDIA X 3j = µ + ε X = 888,5 + ε 400 Medias y Errores Estándar (s combinada) totalquemado µ 1 µ µ CLASEDIA
10 .Planteamiento del modelo El modelo de forma matricial: ANOVA 1 Fact Donde: X = (X Es un vector aleatorio de n componentes Es un vector de k parámetros desconocidos. A =I n ε = (ε, X,..., X X = βa, X, X,..., X + ε,..., X,..., X Es un vector aleatorio que recoge el error de medición n de la variable X., X n1 1 n k1 k kn k, ε β = (µ,..., ε 1, µ, ε,..., µ, ε k ),..., ε,..., ε, ε ),..., ε n1 1 n k1 k knk )
11 3.Estimaci Estimación n de los parámetros ANOVA 1 Fact Por el método m de máxima m verosimilitud a partir de la siguiente función n de verosimilitud: f(x, k ni 1 - µ e 1 n/ n σ i=1 j=1 1, µ,..., µ k )= (π ) Los estimadores de los parámetros son los siguientes: σ ( X ij - µ i ) µ ) i = X X i = n i ij σˆ k n i ( X X ) ij i i= j= = 1 1 n
12 3.Estimaci Estimación n de los parámetros ANOVA 1 Fact En el ejemplo, el valor de los estimadores de los parámetros son los siguientes: Tipo de día: 1- Festivo - Víspera de festivo 3-Laborable X X 1 = 888'5 ha. = 1757'88 ha. X3 = 848'11 ha. σ ) = 68'366 ha.
13 4. Contraste para analizar la influencia del factor ANOVA 1 Fact Lo que se trata de comprobar es que los factores no influyen en la variable X.. Para ello la hipótesis más m s sencilla es comprobar si las medias son iguales para todos los factores: H 0 :µ 1 = µ =... = µ = µ Se rechazará la hipótesis nula cuando fijado un nivel de significación n el estadístico stico sea mayor que F 0, valor obtenido en la tabla de la F-snedecorF para (k-1,n 1,n-k) grados de libertad. (n - k) (k -1) - k ni k ni ( X ij - X ) ( X ij - X i. ) i =1 j=1 i=1 j=1 > k ni ( X ij - X i. ) i=1 j=1 k F 0
14 4. Contraste para analizar la influencia del factor. Descomposición n de la variabilidad ANOVA 1 Fact (X 1000) 3 totalquemado Representación por Código de Nivel 1 X 1 X e 1 X X X CLASEDIA
15 4. Contraste para analizar la influencia del factor. Descomposición n de la variabilidad ANOVA 1 Fact (X 1000) 3 totalquemado Representación por Código de Nivel X 1 X e 1 X X 1 3 CLASEDIA X X 1 ( X X ) + ( X X ) X = 1
16 ANOVA 1 Fact 4.Contraste para analizar la influencia del factor. Descomposición n de la variabilidad La variación n entre los datos y la media total, se puede poner como suma de la variación n de los datos y las medias parciales y la de las medias parciales y la total. k n i i= 1 j= 1 ( X ij X ) = k ni k ( X ij X i ) + i= 1 j= 1 i= 1 n i ( X i X ) VT=VNE+VE En el contraste se comprueba: VT VNE n k F = > VNE k 1 F 0
17 Fuentes de variación Entre grupos (Varianza explicada) Interna o no explicada TOTAL Suma de cuadrados Grados de libertad k-1 n-k n-1 ANOVA 1 Fact 4.Contraste para analizar la influencia del factor La forma de trabajar es calculando la tabla de Análisis de la Varianza (ANOVA): n i (Xi.-X..) ( Xij-X i. ) ( ij-x..) X Varianzas Sˆ e Sˆ R = = Sˆ y VE K -1 VNE n - K
18 ANOVA 1 Fact 4.Contraste para analizar la influencia del factor Las fuentes de variación n siguen distribuciones chi-cuadrado. cuadrado. Otra forma de expresar el estadístico stico es: F = ( k 1, n k ) Sˆ S e R El coeficiente de determinación n R =VE/VT es una medida relativa de la variabilidad explicada por el modelo respecto a la l total.
19 ANOVA 1 Fact 4.Contraste para analizar la influencia del factor
20 Ejemplo rápido r de ANOVA de un factor. Distancia El Servicio de Parques y Jardines del Ayuntamiento de Madrid está realizando un estudio de las características morfológicas del arbolado. Se han tomado 14 datos de Ligustrum japonica.. Las variables que se midieron son: Perímetro del tronco Diámetro de copa Altura de la primera rama Altura Nivel de riesgo Se quiere analizar si la distancia a la fachada influye en el perímetro del tronco P M G Distancia M M M G G G d< 1m 1-,5 m d>,5 m Perímetro metro-cm
21 5. Comprobación n de las hipótesis básicas por análisis de residuos Normalidad Independencia Homocedasticidad
22 5. Comprobación n de las hipótesis básicas b por análisis de residuos Tests no paramétricos de bondad de ajuste: Gráfico de Normalidad-Test de normalidad de Shapiro-Wilks Χ Kolmogorov-Smirnov Contrastes de Asimetría a y Curtosis
23 5.Comprobaci Comprobación n de las hipótesis básicas por análisis de residuos Gráfico de Normalidad En el eje X están n representados los residuos o la variable a analizar. El eje Y tiene una escala de forma que la función n de distribución n aparezca como un recta. Gráfico de Probabilidad Normal porcentaje RESIDUALS
24 5.Comprobaci Comprobación n de las hipótesis básicas por análisis de residuos Test de normalidad de Shapiro-Wilks Este test,, es el mismo que el de la recta, es específico para contrastar si una muestra procede de la distribución n Normal, sin tener que hacer ninguna especificación n de los parámetros. Muy útil para muestras pequeñas con n<50. El estadístico stico es el siguiente: Donde a i está tabulada, y u i, es la n / muestra ordenada de menor a an ( un i+ u ) mayor. 1 1 i i= 1 W = n u1 u... u n ( ui u ) i= 1 La región n crítica es la siguiente: ( W K/H ) α P = 0 K está tabulada
25 5.Comprobaci Comprobación n de las hipótesis básicas por análisis de residuos ANOVA 1 Fact Test de normalidad de Shapiro-Wilks En el ejemplo, se aceptaría normalidad para un nivel de confianza del 99%. Estadístico W de Shapiro-Wilks = P-valor =
26 5.Comprobaci Comprobación n de las hipótesis básicas por análisis de residuos ANOVA 1 Fact Χ H 0 : X F(X) Contraste válido v para variables discretas y continuas. En el caso discreto se va a realizar una comparación n punto por punto entre los datos muestrales y los de la distribución n teórica, en el caso continuo, se comparan intervalos.
27 5. Comprobación n de las hipótesis básicas por análisis de residuos ANOVA 1 Fact Χ Procedimiento para el caso continuo: 1. Enunciar la hipótesis nula.. Si algún n parámetro de F(X) ) es desconocido se estima a partir de la muestra. 3. Se divide el rango de variación n de X en intervalos disjuntos, I 1, I,...,I k. 4. Se calculan las frecuencias observadas en cada intervalo o clase, f 1,f,...,f k, es decir el número de observaciones en cada clase: f i =n
28 5. Comprobación n de las hipótesis básicas por análisis de residuos ANOVA 1 Fact Χ Procedimiento para el caso continuo: 5. Se calculan las probabilidades en estos intervalos con la función n de distribución teórica; es decir P{X I i }=p i, i=1,...k. p = f ( x ) i I i dx 6. Se calculan las frecuencias teóricas en cada intervalo, f Ti =np i i=1,...k
29 ANOVA 1 Fact 5. Comprobación n de las hipótesis básicas por análisis de residuos Χ Procedimiento para el caso continuo: 7. Se calcula el siguiente estadístico: stico: k = χ i= 1 ( ) f np i np i i χ k r 1 r es el número de parámetros estimados
30 5.Comprobaci Comprobación n de las hipótesis básicas por análisis de residuos Χ Condiciones de aplicación n del contraste Χ : 1. Cada intervalo debe tener al menos 5 datos..el número n de intervalos se recomienda que sea como mínimo 5, para evitar que modelos diferentes tengan iguales frecuencias teóricas ricas. ANOVA 1 Fact densidad A B
31 5.Comprobaci Comprobación n de las hipótesis básicas por análisis de residuos ANOVA 1 Fact Χ En el ejemplo:
32 5.Comprobaci Comprobación n de las hipótesis básicas por análisis de residuos ANOVA 1 Fact Contraste de Kolmogorov-Smirnov H 0 : X F(X) Contraste válido v para variables continuas. Procedimiento: 1. Se ordenan los valores muestrales de menor a mayor: x x... x ( 1) () ( n)
33 5. Comprobación n de las hipótesis básicas por análisis de residuos ANOVA 1 Fact Contraste de Kolmogorov-Smirnov. Se calcula la función n de distribución n empírica de la muestra, F n* (x), con: F * n ( x) 0 x < x(1) r = x( r ) x < x( r + n 1 x x( n ) 1)
34 ANOVA 1 Fact 5. Comprobación n de las hipótesis básicas por análisis de residuos Contraste de Kolmogorov-Smirnov 3. Se calcula la discrepancia máxima m entre las funciones de distribución n observada y la teórica. D n = max F * n (x) F(x) Estadístico de colas de K -S
35 5.Comprobaci Comprobación n de las hipótesis básicas por análisis de residuos ANOVA 1 Fact Contraste de Kolmogorov-Smirnov Por tanto, para aplicar el test hay que calcular para cada punto x h : D n ( x h ) = max { F (x ) F(x ), F (x ) F(x )} * * n h-1 h n h h Se acepta H 0 cuando D n < D 0 tabulado
36 ANOVA 1 Fact 5.Comprobaci Comprobación n de las hipótesis básicas por análisis de residuos Contraste de Kolmogorov-Smirnov En el ejemplo: Estadístico DN global de Kolmogorov = P-Valor aproximado =
37 5.Comprobaci Comprobación n de las hipótesis básicas por análisis de residuos ANOVA 1 Fact Contrastes de asimetría a y curtosis Asimetría El coeficiente de asimetría es : CA = ( x x) i ns 3 3 Es 0 si la hipótesis de normalidad es cierta. Si n>50, se aproxima a una normal y se puede contrastar si CA=0. Curtosis o apuntamiento CAP = ( x x) i ns 4 4 Es 3 si la hipótesis de normalidad es cierta. Si n>00, se aproxima a una normal y se puede contrastar si CAP=3.
38 5.Comprobaci Comprobación n de las hipótesis básicas por análisis de residuos ANOVA 1 Fact Contrastes de asimetría a y curtosis En el ejemplo: Puntuación Z para asimetría = P-valor = Puntuación Z para curtosis = P-valor =
39 ANOVA 1 Fact 5. Comprobación n de las hipótesis básicas b por análisis de residuos Análisis de dependencia de los residuos Coeficiente de autocorrelación. Contraste de Durbin-Watson
40 ANOVA 1 Fact 5. Comprobación n de las hipótesis básicas b por análisis de residuos Análisis de dependencia de los residuos Coeficiente de autocorrelación. r( k) n i i= k + 1 = n ( x x)( x x) ( x ) i x i= 1 i k El coeficiente representa la correlación lineal entre las variables X=(x k+1, x k+,..., x n ) e Y=(x 1, x,..., x n-k ) Donde k es el retardo
41 5.Comprobaci Comprobación n de las hipótesis básicas b por análisis de residuos Análisis de dependencia de los residuos Coeficiente de Durbin-Watson ANOVA 1 Fact D n i i= = n ( e e ) i= 1 e i i 1 Donde e i son los residuos Si D=0 hay dependencia positiva entre los residuos. Si D= los residuos son independientes. Si D=4 hay dependencia negativa entre los residuos.
42 5.Comprobaci Comprobación n de las hipótesis básicas b por análisis de residuos Análisis de dependencia de los residuos Coeficiente de Durbin-Watson ANOVA 1 Fact Si k es el número de variables explicativas y n el tamaño de la muestra, para α=0,05 están tabulados los valores d L y d U para aceptar o no independencia. Si 0<D<d L hay dependencia positiva. Si d L <D<d U el test no es concluyente. Si d U <D<4-d U los residuos son independientes. Si 4-d U <D<4-d L el test no es concluyente. Si 4-d L <D<4 dependencia negativa.
43 ANOVA 1 Fact 5. Comprobación n de las hipótesis básicas b por análisis de residuos Análisis de la Homocedasticidad H 0 :σ 1 = σ =...=σ k Contraste de Bartlett Contraste C de Cochran Contraste de Hartley Contraste de Levene
44 Análisis de la Contraste Bartlett lisis de la Homocedasticidad Población Normal Si Tamaño Muestral Grupos cualquiera ANOVA 1 Fact Cochran Cualquiera Iguales Hartley Si Iguales Levene Cualquiera Cualquiera
45 Análisis de la lisis de la Homocedasticidad ANOVA 1 Fact En muestras normales Bartlett es más m sensible que Levene. Los contrastes de Hartley y Cochran en general dan los mismos resultados. Contraste de Varianza Contraste C de Cochran: : P-valor P = 0.0 Contraste de Bartlett: : P-valor P = 0.0 Contraste de Hartley: : Test de Levene: : P-valor P =
46 Análisis de la Varianza de dos Factores
47 Objetivo Investigar los efectos de dos factores, α y β,, en el resultado de un experimento.
48 Metodología 1.Representaci Representación n gráfica de los datos..planteamiento del modelo. 3.Estimaci Estimación n de los parámetros. 4.Contraste de si los factores influyen o no en la variable aleatoria. 5.Comprobaci Comprobación n de las hipótesis básicas por análisis de residuos.
49 1. Representación gr ANOVA Factores n gráfica de los datos. Ej. Analizar si los factores Pendiente y Orientación influyen en la superficie total quemada en incendios forestales en la CAM. Pendiente: Orientación: 1- Terreno llano 1- Solana - Ondulado - Umbría 3-Abrupto totalquemado Medias y 95.0 Porcentajes Intervalos de Confianza R5Aorientacion Medias y 95.0 Porcentajes Intervalos de Confianza 50 totalquemado R5Bpendiente
50 .Planteamiento del modelo ANOVA 1 Factor X = µ + α + β + ij i j ε ij, j =1,,...,b; i =1,,...,a α i es el efecto del i-ésimo i nivel del primer factor. β j es el efecto del j-esimo j nivel del segundo factor. ε ij ij representa la perturbación n aleatoria, y se acepta que cumple que: - Son independientes - Siguen un distribución n normal - Todas tienen la misma varianza (homocedasticidad( homocedasticidad) σ E[ε.]= -E[.]=00 (media cero).
51 .Planteamiento del modelo ANOVA Factores Por tanto X ij son variables aleatorias independientes que siguen una distribución normal de media + α + β y varianza. Se asume que: a Por tanto: µ j = 0 = 0 αi β i i=1 b-1 b i=1 β = β α α i b - i=1 i a-1 = a - i=1 i σ
52 .Planteamiento del modelo ANOVA Factores Otra forma de plantear el modelo es la siguiente: X = βa + ε Donde: = (X11, X1,..., X1b, X1, X,..., Xb,..., Xa1, Xa,..., Xab) = ( µ, α1, α,...,αa-1, β1, β,..., βb- 1) = (ε11, ε1,..., ε1b, ε1, ε,..., εb,..., εa1, εa,..., εab)
53 µˆ 3.Estimaci Estimación de los par n de los parámetros Los estimadores de los parámetros son los siguientes: a b = X = αˆ = i Xi. i= 1 j= 1 ab X - X ij X i. = b j=1 b ANOVA Factores X ij βˆ = X j.j - X X.j = a j=1 a X ij
54 3.Estimaci Estimación de los par Orientación Pendiente 1 n de los parámetros 1 9 ha ha ANOVA Factores Xi 5,5 ha 10 ha 8 ha 9 ha 3 5 ha 1 ha 3 ha X.j 8 ha 3,6 ha X=5,5ha α 1 = 0 α =3,5 α 3 =-,5 β 1 =,5 β =1,9
55 ANOVA Factores 4.Contraste para analizar la influencia de los factores Lo que se trata de comprobar es que los factores no influyen en la variable X.. Para ello la hipótesis más m s sencilla es comprobar si las medias son iguales para todos los factores: H α : α 1 = α = α 3 =... = α a = 0 H β :β 1 = β = β 3 =... = β b = 0
56 ANOVA Factores 4.Contraste para analizar la influencia de los factores Tabla de Análisis de la Varianza (ANOVA):
57 ANOVA Factores 4.Contraste para analizar la influencia de los factores
58 Análisis de la Varianza de Dos Factores con Interacción
59 Objetivo Estudiar la influencia de dos factores en el comportamiento de una variable cuantitativa, así como la influencia conjunta de los factores en la variable explicada.
60 Metodología 1.Representaci Representación n gráfica de los datos..planteamiento del modelo. 3.Estimaci Estimación n de los parámetros. 4.Contraste de si los factores influyen o no en la variable aleatoria. 5.Comprobaci Comprobación n de las hipótesis básicas por análisis de residuos.
61 .Planteamiento del modelo ANOVA 1 Facto X ijs =µ +α + β i j + γ ij + ε ijs, j=1,,..., b;i=1,,..., a; s= 1,, Km α i β j γ ij ε ijs es el efecto del i-ésimo i nivel del primer factor. es el efecto del j-esimo j nivel del segundo factor. es el efecto de la interacción n del i-esimo i nivel del primer factor y del j-esimo j nivel del segundo factor. representa la perturbación n aleatoria, y se acepta que cumple que: - Son independientes - Siguen un distribución n normal - Todas tienen la misma varianza (homocedasticidad( homocedasticidad) σ -E[ E[ε.]=0 (media cero).
62 .Planteamiento del modelo ANOVA 1 Facto
63 .Planteamiento del modelo ANOVA Factore Por tanto X ij son variables aleatorias independientes que siguen una distribución normal de media µ + αi + β + γij y varianza. j σ a Se asume que: = 0 = 0 αi β i i=1 Por tanto: b-1 b i=1 β = β α α i b - i=1 i a - a-1 = i=1 b γij j= 1 = 0 j a i= 1 γ = 0 ij i
64 3.Estimaci Estimación n de los parámetros ANOVA Factores µˆ Los estimadores de los parámetros son los siguientes: a b m = X = αˆ i = X i= 1 j= 1 s= 1 i.. abm - X X ijs X γˆ ij = Xij. Xi.. X.j. + X i.. = b j=1 m s= 1 bm X ijs βˆ j = X.j. - X X.j. = a j=1 m s= 1 X am ijs
65 3.Estimaci Estimación de los par n de los parámetros Los estimadores de los parámetros son los siguientes: ANOVA Factores γˆ = X X X + ij ij. i...j. X ij. Los residuos son: e ijs = X ijs = m s= 1 X m ijs X ( µˆ + αˆ ) i + βˆ j + γˆ ij = Xijs Xij.
66 ANOVA Factores 4.Contraste para analizar la influencia de los factores Lo que se trata de comprobar es que los factores no influyen en la variable X. H α : α 1 = α = α 3 =... = α a = 0 H β :β 1 = β = β 3 =... = β b = 0 H γ : γ =γ 1 1 =...=γ ab =0.
67 ANOVA Factores 4.Contraste para analizar la influencia de los factores Tabla de Análisis de la Varianza (ANOVA):
68 ANOVA Factore 4.Contraste para analizar la influencia de los factores Tabla de Análisis de la Varianza (ANOVA):
Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste.
Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste. Tema 1 (III) Estadística 2 Curso 08/09 Tema 1 (III) (Estadística 2) Contrastes de bondad de
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesTema 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 detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesAnálisis de datos en CCSS: introducción al análisis descriptivo e inferencial
Programa de Doctorado Formación en la Sociedad del Conocimiento Seminario de doctorado 13 y 14 de marzo de 2014 Análisis de datos en CCSS: introducción al análisis descriptivo e inferencial Dra. Mª José
Más detallesTema 7. Introducción Metodología del contraste de hipótesis Métodos no paramétricos
7-1 Tema 7 Contrastes de Hipótesis para una Muestra Introducción Metodología del contraste de hipótesis Métodos no paramétricos Test binomial Test de los signos Test de rango con signos de Wilcoxon Test
Más detallesAplicación de la distribución empírica: Tests de bondad de ajuste
Aplicación de la distribución empírica: Tests de bondad de ajuste 4 de marzo de 2009 Test de bondad de ajuste Supongamos que se dispone de una m.a.s de tamaño n de una población X con distribución desconocida
Más detallesCONTRASTES NO PARAMÉTRICOS: ALEATORIEDAD Y LOCALIZACIÓN
CONTRASTES NO PARAMÉTRICOS: ALEATORIEDAD Y LOCALIZACIÓN Antonio Morillas A. Morillas: C. no paramétricos (II) 1 1. Contrastes de aleatoriedad. Contraste de rachas. 2. Contrastes de localización 2.1 Contraste
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesTema 8. Contrastes no paramétricos. 8.1 Introducción
Índice 8 8.1 8.1 Introducción.......................................... 8.1 8.2 Bondad de ajuste....................................... 8.2 8.2.1 Test de Kolmogorov-Smirnov de bondad de ajuste................
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 detallesEstrategia de análisis estadístico de los datos. Inferencia Estadística y contraste de hipótesis
Estrategia de análisis estadístico de los datos. Inferencia Estadística y contraste de hipótesis VDC Prof. Mª JOSÉ PRIETO CASTELLÓ MÉTODOS ESTADÍSTICOS. TÉCNICAS ESTADÍSTICA DESCRIPTIVA TEORÍA DE LA PROBABILIDAD
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 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 detalles1 El Análisis de Varianza
1 El Análisis de Varianza Objetivo: Explicar (controlar las variaciones de una v.a. Y continua (numérica, mediante factores (variables cualitativas que definen categorías que controlamos (no aleatorios.
Más detallesContenido. vii. Prólogo... i Presentación... iii Grupo de trabajo...v. 1. Introducción y conceptos preliminares...1
Contenido Prólogo... i Presentación... iii Grupo de trabajo...v 1. Introducción y conceptos preliminares...1 2. Tipos de modelos estadísticos lineales...19 Caso 2.1...20 Caso 2.2...26 Caso 2.3...30 3.
Más detallesEstadística II. Laura M. Castro Souto
Estadística II Laura M. Castro Souto Segundo Cuatrimestre Curso 2000/2001 Modelos de Regresión Diferencias con el Diseño de Experimentos Los modelos de regresión estudian relaciones numéricas entre variables
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 detallesPrograma Oficial de Asignatura. Ficha Técnica. Presentación. Competencias y/o resultados del aprendizaje. Econometría
Ficha Técnica Titulación: Grado en Administración y Dirección de Empresas Plan BOE: BOE número 67 de 19 de marzo de 2014 Asignatura: Módulo: Análisis Económico Curso: Créditos ECTS: 6 Tipo de asignatura:
Más detallesInferencia Estadística. Estimación y Contrastes
y y M Dolores Redondas dolores.redondas@upm.es E.U. Arquitectura Técnica U.P.M. Curso 2009-2010 Introducción Identicación del comportamiento de una variable El reconocimiento del comportamiento de una
Más detallesANOVA. Análisis de la Varianza. Univariante Efectos fijos Muestras independientes
ANOVA Análisis de la Varianza Univariante Efectos fijos Muestras independientes De la t a la F En el test de la t de Student para muestras independientes, aprendimos como usar la distribución t para contrastar
Más detallesAnálisis de la Varianza (ANOVA).
{ H0 : µ = µ 2 = = µ p Análisis de la Varianza (ANOVA) Planteamiento del problema Se desea contrastar si las medias de p poblaciones independientes son todas iguales o si existen diferencias entre al menos
Más detallesVerificación de hipótesis no paramétricas
Verificación de hipótesis no paramétricas Mª Isabel Aguilar, Eugenia Cruces y Bárbara Díaz UNIVERSIDAD DE MÁLAGA Departamento de Economía Aplicada (Estadística y Econometría) Parcialmente financiado a
Más detallesESTADÍSTICA APLICADA A LA MEDICINA LABORAL
ESTADÍSTICA APLICADA A LA MEDICINA LABORAL ---oo--- II Curso 29/ Pedro Femia Marzo Bioestadística - Facultad de Medicina http://www.ugr.es/local/bioest Un esquema general de comparación de medias 2 Asumible
Más detallesAnálisis de la varianza
Análisis de la varianza José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 I 1 Introducción 1 Comparación de medias 2 El pricipio de aleatorización 2 El problema de un factor
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 detallesPreparación de los datos de entrada
Preparación de los datos de entrada Clase nro. 6 CURSO 2010 Objetivo Modelado de las características estocásticas de los sistemas. Variables aleatorias con su distribución de probabilidad. Por ejemplo:
Más detallesT3. El modelo lineal básico
T3. El modelo lineal básico Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 41 Índice 1 Regresión lineal múltiple Planteamiento Hipótesis
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; 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 detallesEXAMEN DE ESTADÍSTICA Septiembre 2011
EXAMEN DE ESTADÍSTICA Septiembre 2011 Apellidos: Nombre: DNI: GRUPO: 1. De una clase de N alumnos se tiene la siguiente información sobre las calificaciones obtenidas del 1 al 8 en una cierta asignatura
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 detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesTema 13: Contrastes No Paramétricos
Tema 13: Contrastes No Paramétricos Presentación y Objetivos. La validez de los métodos paramétricos depende de la validez de las suposiciones que se hacen sobre la naturaleza de los datos recogidos. La
Más detallesIntroducción a la Estadística Aplicada en la Química
Detalle de los Cursos de Postgrado y Especialización en Estadística propuestos para 2015 1/5 Introducción a la Estadística Aplicada en la Química FECHAS: 20/04 al 24/04 de 2015 HORARIO: Diario de 10:00
Más detallesEstadística. Contrastes para los parámetros de la Normal
Contrastes para los parámetros de la Normal Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Contrastes para los parámetros de la Normal Contrastes para los parámetros
Más detallesPrueba de Hipótesis. Bondad de Ajuste. Tuesday, August 5, 14
Prueba de Hipótesis Bondad de Ajuste Conceptos Generales Hipótesis: Enunciado que se quiere demostrar. Prueba de Hipótesis: Procedimiento para determinar si se debe rechazar o no una afirmación acerca
Más detallesCurso: 2º Créditos ECTS: 6 Tipo de asignatura: Obligatoria Tipo de formación: Teórico-Práctica
Ficha Técnica Titulación: Grado en Economía Plan BOE: BOE número 75 de 28 de marzo de 2012 Asignatura: Módulo: Instrumental Curso: 2º Créditos ECTS: 6 Tipo de asignatura: Obligatoria Tipo de formación:
Más detallesDiseño de Experimentos. Diseños Factoriales
Diseño de Experimentos Diseños Factoriales Luis A. Salomón Departamento de Ciencias Matemáticas Escuela de Ciencias, EAFIT Luis A. Salomón (EAFIT) Inspira Crea Transforma Curso 2016 Índice 1 Introducción
Más 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 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 detallesNota de los autores... vi
ÍNDICE Nota de los autores... vi 1 Qué es la estadística?... 1 1.1 Introducción... 2 1.2 Por qué se debe estudiar estadística?... 2 1.3 Qué se entiende por estadística?... 4 1.4 Tipos de estadística...
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 detallesINDICE Capitulo uno Introducción y estadísticas descriptiva Capitulo dos Conceptos en probabilidad Capitulo tres
INDICE Capitulo uno Introducción y estadísticas descriptiva 1.1. Introducción 1.2. descripción grafica de los datos 3 1.3. medidas numéricas descriptivas 11 Ejercicios 22 Apéndice: sumatorias y otras notaciones
Más detallesTEMA Nº 2 CONTRASTE DE HIPÓTESIS EN LOS DISEÑOS DE UNA MUESTRA
TEMA Nº 2 CONTRASTE DE HIPÓTESIS EN LOS DISEÑOS DE UNA MUESTRA TIPOS DE CONTRASTE Contrastes paramétricos: Son aquellos que se relacionan con el estudio de un parámetro poblacional (media, varianza, proporción,
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 detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
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 detallesTema 18 Análisis de la varianza de un factor (ANOVA) Contraste paramétrico de hipótesis
Tema 18 Análisis de la varianza de un factor () Contraste paramétrico de hipótesis Compara la distribución de una variable continua normal en mas de dos poblaciones (niveles o categorías) Pruebas de contraste
Más detallesAnálisis de la Varianza
Análisis de la Varianza El Análisis de la Varianza -ANOVA- es una herramienta del área de la inferencia estadística, utilizada en las investigaciones científico-técnicas. Objetivo: probar hipótesis referidas
Más detallesTÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD
TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia
Más detalles2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS)
2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS) La idea principal en este capitulo es el inicio a planear los diseño experimentales y su correspondiente análisis estadístico. En este caso iniciaremos
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 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 ESTADÍSTICO PRUEBA DE HIPOTESIS
ANÁLISIS ESTADÍSTICO PRUEBA DE HIPOTESIS Jorge Fallas jfallas56@gmail.com 2010 1 Temario Datos experimentales y distribuciones de referencia Una media poblacional Hipótesis nula, alternativa y nivel de
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 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 detallesDISEÑOS EXPERIMENTALES DE DOS GRUPOS Y MULTIGRUPO
TEMA II ESQUEMA GENERAL Diseño experimental de dos grupos: definición y clasificación Formatos del diseño y prueba de hipótesis Diseño experimental multigrupo: definición Formato del diseño multigrupo
Más detallesTest ANOVA. Prof. Jose Jacobo Zubcoff 1 ANOVA ANOVA. H 0 : No existen diferencias entre los k niveles H 1 : La hipótesis nula no es cierta
Test Compara la distribución de una variable continua normal en mas de dos poblaciones (niveles o categorías) H 0 : No existen diferencias entre los k niveles H : La hipótesis nula no es cierta Parte de
Más detallesAnálisis Estadístico de Datos Climáticos. Pruebas de Hipótesis (Wilks, cap. 5)
Análisis Estadístico de Datos Climáticos Pruebas de Hipótesis (Wilks, cap. 5) 2015 PRUEBAS DE HIPÓTESIS (o pruebas de significación) Objetivo: A partir del análisis de una muestra de datos, decidir si
Más detallesValidación de hipótesis de un proceso de Poisson no homogéneo
Validación de hipótesis de un proceso de Poisson no homogéneo Georgina Flesia FaMAF 9 de junio, 2011 Proceso de Poisson no homogéneo H 0 ) Las llegadas diarias a un sistema ocurren de acuerdo a un Proceso
Más detallesANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS
ANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS NOV 2015 PLAN DE ESTUDIO 1. ESTADISTICA DESCRIPTIVA 1. MEDIDAS DE TENDENCIA CENTRAL PRIMER MOMENTO 2. OTRAS MEDIDAS DE TENDENCIA CENTRAL 3. MEDIDAS
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detallesSeminario de Evaluación Estadística de Ensayos de Aptitud por Comparación Interlaboratorio
19/11/014 Seminario de Evaluación Estadística de Ensayos de Aptitud por Comparación Interlaboratorio a cargo de Pablo Calello La participación en actividades de ensayo de aptitud es uno de los mecanismos
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesT4. Contrastes de bondad de ajuste de variables continuas
Estadística T4. Contrastes de bondad de ajuste de variables continuas Departamento de Ciencias del Mar y Biología Aplicada Variable aleatoria continua y su ajuste a una distribución Variable aleatoria
Más detallesAsignatura: Metodologías de investigación. Tema 6. Exploración de datos. Exploración de datos
Asignatura: Metodologías de investigación Tema 6 Etapas de una investigación Análisis : tests estadísticos, ajuste de curvas, análisis multivariante Obtención datos, calibrados, etc. Diseño del experimento
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 detallesInformación sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992.
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Análisis y Diseño de Modelos Econométricos Profesor: MSc. Julio Rito Vargas Avilés. Participantes: Docentes /FAREM-Carazo Encuentro No.4
Más 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 detallesEstadística II Examen final junio 27/6/17 Curso 2016/17 Soluciones
Estadística II Examen final junio 27/6/7 Curso 206/7 Soluciones Duración del examen: 2 h y 5 min. (3 puntos) Los responsables de un aeropuerto afirman que el retraso medido en minutos en el tiempo de salida
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
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 detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
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 detallesContraste de hipótesis paramétricas
Contraste de hipótesis paramétricas Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Proceso de la investigación estadística Etapas PROBLEMA HIPÓTESIS DISEÑO RECOLECCIÓN
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 detallesTema 6: Contraste de hipótesis
Tema 6: Contraste de hipótesis Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 6: Contraste de hipótesis Curso 2008-2009 1 / 14 Índice
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesConceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad.
Conceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad. Tema 1 (IV) Estadística 2 Curso 08/09 Tema 1 (IV) (Estadística 2) Contrastes de aleatoriedad Curso
Más detallesÍndice. Diseños factoriales. José Gabriel Palomo Sánchez E.U.A.T. U.P.M. Julio de 2011
Diseños factoriales José Gabriel Palomo Sánchez gabrielpalomo@upmes EUAT UPM Julio de 2011 Índice 1 Diseños factoriales con dos factores 1 Denición 2 Organización de los datos 3 Ventajas de los diseños
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 detallesDiseño de Experimentos
Diseño de Experimentos Tema 6. Validación de Supuestos JAIME MOSQUERA RESTREPO VERIFICACIÓN DE LA ADECUACIÓN DEL MODELO Los procedimientos estudiados son validos únicamente bajo el cumplimiento de 4 supuestos
Más detallesPrácticas Tema 5. Ampliaciones del Modelo lineal básico
Prácticas Tema 5. Ampliaciones del Modelo lineal básico Ana J. López y Rigoberto Pérez Dpto. Economía Aplicada, Universidad de Oviedo PRÁCTICA 5.1. Se ha examinado la evolución reciente de las ventas de
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso Septiembre Primera Parte
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 13 - Septiembre - 2.004 Primera Parte Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
Más detallesTEMA 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesESTADISTICA AVANZADA. Análisis de la Variancia Anova One Way Kruskal-Wallis Bloques (Friedman)
ESTADISTICA AVANZADA Análisis de la Variancia Anova One Way Kruskal-Wallis Bloques (Friedman) Factor Análisis de la Variancia El análisis de varianza One Way es una generalización de la Prueba t para mas
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 11 - Junio - 2.010 SOLUCIONES Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras que,
Más detallesTema 4. Análisis multivariante de la varianza
Máster en Técnicas Estadísticas Análisis Multivariante Año 2008 2009 Profesor: César Sánchez Sellero Tema 4 Análisis multivariante de la varianza 4 Presentación del modelo Se trata de comparar las medias
Más detallesTM 4. PROBLEMAS FRECUENTES PROVOCADOS POR LOS DATOS ECONOMICOS. 1. MULTICOLINEALIDAD: CONCEPTO Y TIPOS.
TM 4. PROBLEMAS FRECUENTES PROVOCADOS POR LOS DATOS ECONOMICOS. 1. MULTICOLINEALIDAD: CONCEPTO Y TIPOS.. CÓMO DETECTAR Y MEDIR EL GRADO DE MULTICOLINEALIDAD. 3. SOLUCIONES: CÓMO AFRONTAR EL PROBLEMA EN
Más detallesPRUEBAS DE BONDAD DE AJUSTE
PRUEBAS DE BONDAD DE AJUSTE Pruebas de bondad de ajuste xi cuadrada y Kolmogorov-Smirnov Facultad de Ciencias Químicas e Ingeniería, UAEM Simulación de Procesos Contenido Prueba de bondad de ajuste χ2...
Más detallesTema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos
Tema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos Metodología de la Investigación en Fisioterapia Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura M.
Más detallesESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA
www.jmontenegro.wordpress.com UNI ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA PROF. JOHNNY MONTENEGRO MOLINA Objetivos Desarrollar el concepto de estimación de parámetros Explicar qué es una
Más detallesProf. Jose Jacobo Zubcoff Universidad de Alicante 1
Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Presentación Objetivos Metodología Evaluación Agenda Definiciones Inferencia Muestra y s Aleatoria Independiente Finitas, Infinitas Población
Más detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detallesEstadística Inferencial. Resúmen
Ofimega - Estadística inferencial - 1 Estadística Inferencial. Resúmen Métodos y técnicas que permiten inducir el comportamiento de una población. Muestreo o selección de la muestra: 1. Aleatorio simple:
Más detalles