Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Predicciones PDF
Predicciones PDF
(Pesquisa e Indagación)
2
Análisis de varianza de un factor
• Consideremos m muestras independientes,
cada una de tamaño n, donde los miembros
de la muestra i, Xi1, Xi2,…, Xin, son v. a. i. con
media conocida mi y varianza desconocida
s2.Es decir:
3
Análisis de varianza de un factor
Lo que nos interesa probar es:
• H0: m1 = m2 = ….= mm
Contra la hipótesis:
• H1: no todas las medias son iguales
4
Análisis de varianza de un factor
• Como hay, en total, n*m v. a. i. normales Xij,
tenemos que la suma de los cuadrados de sus
versiones estandarizadas serán v. a. chi
cuadrada con n*m grados de libertad. Es
decir:
S S (Xij - mi )2 / s2
tiene distribución chi cuadrada con nm grados
de libertad.
5
Análisis de varianza de un factor
• Sea Xi. igual al promedio de todos los
elementos en la muestra i, es decir:
Xi. = S Xij / n
Análisis de Regresión
100
90
80 Pesa 76 kg.
70
30
140 150 160 170 180 190 200
Relación entre variables.
100
90
80
70
60
50
40
30
140 150 160 170 180 190 200
Predicción de una variable en función de la otra.
100
90
80
70
10 kg.
60
50
10 cm.
40
30
140 150 160 170 180 190 200
Cómo reconocer relación directa e inversa.
330 100
230
o80 directa.
70 o
180
60
130 o 50 o
80 40
30 o30
140 150 160 170 180 190 200 140 150 160 170 180 190 200
=
X X Y Y
i i
2
X X Y Y
r 2 2
i i
Propiedades de r
-1 0 +1
Entrenando el ojo: correlaciones positivas
330 130
120
280 110
230 100
90
180 80
70
130 60
80 50
r=0,1 40
r=0,4
30 30
140 150 160 170 180 190 200 140 150 160 170 180 190 200
110 100
100 90
90 80
80
70
70
60
60
50 50
40 r=0,6 40 r=0,8
30 30
140 150 160 170 180 190 200 140 150 160 170 180 190 200
Entrenando el ojo: casi perfectas y positivas
100 100
90 90
80 80
70 70
60 60
50 50
40 r=0,9 40 r=0,99
30 30
140 150 160 170 180 190 200 140 150 160 170 180 190 200
100
90
80
70
60
50
40 r=1
30
140 150 160 170 180 190 200
Entrenando el ojo: correlaciones negativas
90 80
80 70
70 60
60 50
50
40
40
30
30
20 20
10 r=-0,5 10 r=-0,7
0 0
140 150 160 170 180 190 200 140 150 160 170 180 190 200
80 80
70 70
60 60
50 50
40 40
30 30
20 20
10 r=-0,95 10 r=-0,999
0 0
140 150 160 170 180 190 200 140 150 160 170 180 190 200
Preguntas frecuentes
• ¿Si r=0 eso quiere decir que las variables son independientes?
– En la práctica, casi siempre sí, pero no tiene
por qué ser cierto en todos los casos.
X i X Yi Y
ˆ2 = = Y
X
X i X
2 1 2
Interpretación del residuo
El objetivo de los MCO, es minimizar la suma
de los residuos Y
=
2
e 2
i
Y Y i
Modelos de Regresión Lineal
Coeficiente de Determinación
2
=
X X
i Y Y i
2
X X Y Y
r 2 2
i i
Otros modelos de regresión
• Incluso se puede considerar el 140 150 160 170 180 190 200
que una variable dependa de
varias (regresión múltiple). ¿recta o cúbica?
Simple Múltiple
Y = Y e
i i i
e = Y Y
i i i
ei = Yi ˆ1 ˆ 2 X i
Por lo tanto, los errores (e) o residuos son la
diferencia entre los valores reales y los estimados
de Y.
=
2
e 2
i
Y Y i
Supuestos Fundamentales del Método de
MCO
1. Normalidad de los residuos.
• Gráficos de distribución normal.
• 2.- HOMOGENEIDAD DE VARIANZAS (HOMOCEDASTICIDAD).
var m / X = s
i i
2
• Establece que los errores o residuos (ei), tienen una varianza común o constante
para los distintos niveles de las variables independientes.
• Cuando no ocurre esto se dice que el modelo no cumple con este supuesto o
tiene Heterocedasticidad.
0.0
5 10 15 20
Nº de observaciones
• 4.- Modelo correctamente especificado
Otros modelos de regresión
¿recta o cúbica?
DIFA =
(Yi Yi)
n