GSTD U5-Impr

20/05/2014
Métodos multivariantes
Métodos bivariantes o multivariantes ⇒ Matrices • permiten el análisis simultáneo de varias variables a la vez
Métodos Bivariantes
geología una roca ígnea
analizar 2 variables en forma conjunta generalmente datos multivariantes un fósil
describir
Y
un sedimento
30
matriz de datos X Y Para caracterizar un objeto
20 geológico generalmente se Pero también es necesario
X usar las menos posibles
M1 necesitan muchas variables
10
M2 ¿cuales son las más importantes para describir un objeto?
0 X
0 10 20 30 40 ...
... matriz de datos X1 X2 X3............ Xp
p variables
cada objeto → un punto en el plano Mn X M1
nxp
forma de la distribución Análisis multivariantes requieren
n objetos M2
muestras grandes!!!
relación entre objetos n objetos ...
si tomamos p variables siempre:
X ...
nx2
relación entre variables Mn n>p
Mabel Mena Geoestadística- UNLaR, I cuatrimestre 2014 1 Mabel Mena Geoestadística- UNLaR, I cuatrimestre 2014 2
Métodos Bivariantes
investigar posible relación funcional de una variable
respecto de otra (u otras)
analizar 2 variables en forma conjunta estimar esta relación funcional
regresión
estudiar posible relación entre variables variables diferenciadas en independiente y dependientes
estudiar la naturaleza de esta relación las relaciona una f lineal

polinómica
exponencial
correlación logarítmica,
correlación ….
Análisis de estimar grado de asociación entre dos variables
≡estimar grado de covariación existente entre ellas

regresión variables NO diferenciadas en independiente y dependientes
1
20/05/2014
Correlación
•Quiero saber si dos variables son independientes
Están afectadas en forma conjunta por una causa externa
??? no debe haber correlación entre ellas
• como cambia una variable cuando cambia la variable asociada
• Quiero inferir los valores de una variable conociendo los
cuantificar valores de otra variable asociada
• la existencia de una relación entre dos variables
• el tipo de relación Au - W Perfilaje sónico - porosidad
• el grado de esta relación
la correlación da una medida del grado de
•medida del grado en que dos variables varían determinación conjunta entre las dos
conjuntamente Extender para más de 2 .
variables
• es una herramienta poderosa para el análisis de datos
• tanto la presencia como la ausencia de correlación
permiten hacer conjeturas sobre las variables consideradas Coeficiente de Correlación
800
El modo rápido de visualizar la correlación entre dos 700

600 nube de datos
variables escalares es hacer un diagrama de dispersión. 500
Y 400
tendencia general
300
60
90
200
100
>X ⇒ >Y
50
0
0 50 100 150 200 250
Datos correlacionados
60
40 X
30
30 Importancia: puede indicar variables unidas directa o
20
10 0
indirectamente por procesos geológicos causantes
0 0 10 20 30 40 50 60
0 20 40 60 80 100
tendencia general
Y Y
30 >X ⇒ <Y
20
cierta correlación lineal
X
10
Roca carbonática: porosidad y contenido de Mg
0 X
0 10 20 30 40 Cómo medir grado de correlación lineal?
2
20/05/2014
Coeficiente de Correlación Signos de Covarianza

estimar con muestra disponible Y
>Cov⇒ > correlación lineal
30
- +
∑ (x − x) ∑ (y − y)
n 2 n 2
S x2 = i =1 i
; S y2 = i =1 i 20
y Cov: dependiente de unidades
n −1 n−1 10 + -
0 estandarizar
Se basa en covarianza de las dos variables SP 0 10 20 30 40
X
x
∑ i=1( x i − x )( y i − y )
n
Cov( X , Y ) = coeficiente de Cov ( X , Y )

n −1 r=
Y correlación de SxS y
30 SP Cov + Pearson
y
20
- + + + estimación de ρ
- + o del producto de los momentos
10
0
+ - es adimensional
0 10
x
20 30 40
X
- - + - Cov - toma valores entre 1 y –1

Coeficiente de correlación de Pearson: r Para aplicar el Coeficiente de Pearson

se deben cumplir ciertos requisitos:
r =0 ⇒ falta total de correlación,
= independencia completa entre las dos variables La relación entre las variables debe ser
de tipo lineal
r= +1 ⇒ correlación perfecta, positiva,
= la variación de una variable tiene una relación las distribuciones deben ser unimodales
directa respecto de la variación de la otra. y más o menos simétricas
r= -1 ⇒ correlación perfecta, negativa,
= la variación de una variable tiene una relación Si no se cumplen estas condiciones, el
inversa respecto de la variación de la otra. coeficiente no tiene sentido.
3
20/05/2014
analizar simultáneamente la variación de 2 variables medidas en

cada objeto o espécimen de la muestra
Correlación entre 2 variables análisis geoquímicos tabla
medidas ambas sobre un mismo objeto objeto Pb (ppm) Zn (ppm)

n=10
Están afectadas en forma conjunta por una causa externa ? 1 19 87
• como cambia una variable cuando cambia la otra? diagrama de dispersión 2 68 184
•existe una relación entre las dos variables? 300
... ... ...
250
• de que tipo es la relación?
Zn(ppm)
200
150
correlación lineal?
• en qué grado están relacionadas? 100
50 variables unidas por el
0
proceso que las origina?
Coeficiente de Correlación 0 50
Pb(ppm)
100 150
• presencia o ausencia de correlación

Coeficiente de Correlación: medir el grado de
⇒ información sobre variables correlación lineal
∑ (x − x )2 ∑ (y − y )2
n n
coeficiente de correlación de Pearson con los datos estimamos:

S 2x = i =1 i
; S y2 = i =1 i
n −1 n −1
Cov( X , Y )
r=
300 Cov ( X , Y ) ∑ i=1( x i − x )( y i − y )
n
250 r= SxS y
Cov( X , Y ) =
SxS y n −1
Zn(ppm)
200
150
∑
n 2
xi −
1
(
∑ xi
n
)
2
( )(∑ y )
es adimensional
100 1
∑ ∑ xi
i =1
S = 2 n i =1 n
xi y i −
n n
i =1 i
50
entre 1 y –1
x
n −1 Covxy = n i =1 i =1
0
n −1
0 50
Pb(ppm)
100 150
requisitos: ∑
n
i =1
yi −
2 1
n
∑
n
(
y
i =1 i
)
2
S y2 =
La relación entre las variables n −1
SP debe ser de tipo lineal
∑
n
(∑ x )(∑ y )
xi y i −
1 n n
∑ (x − x )( y i − y )
n i =1 i =1 i i =1 i
i las distribuciones deben ser r= n
i =1
− (∑ x )  ∑ y − (∑ y ) 
Cov( X , Y ) =  n 2 1  1 
 ∑i =1 xi
unimodales y más o menos 2 2
n −1 n
i
n
i
2 n
i
simétricas  n  i =1
n  i =1 i =1
4
20/05/2014
Problemas con r de Pearson: Pruebas de significación para r

•Si hay correlación curva, aunque sea perfecta, a mayor n mayor significación
va a estar mal Si las dos variables tienen Distribución Normal
Y Y
definida por r o al menos unimodales y simétricas
Prueba t (Si no, mejor emplear planteos no

r=0.9 paramétricos o regresión lineal)
r=0
H0: ρ=0
X X Ha: ρ ≠0 r 2 ( n − 2) t α , (n-2)
t=
• es sensible a la presencia de valores espúreos altos 1− r2
• no funciona bien con datos cerrados Si t > tα , (n-2)
Una o dos colas????
Cual es la significación del r estimado? rechazamos H0 con 100(1-α)% de confianza
hay ciclos o periodicidad en secuencia estratigráfica?

300
250
análisis geoquímicos X autocorrelación
Zn(ppm)
200 de una serie consigo

150 n=10 misma, después de un
100
50
tiempo (o espacio) h
0 es significativa la h
profundidad
0 50 100 150
Pb(ppm)
correlación?
r=
Cov ( X , Y )
Cov( X i , X i + h ) n−h
SxSy r =0.4837 rh =
S X2 ∑ (x i − x )( xi + h − x )
Cov( X i , X i + h ) = i =1
Prueba t n − h −1
r (n − 2)
2 t =1.5632 rh
t= ~ t α ;( n − 2 )
H0: ρ=0 1− r2 t0.05;8 =2.3060
correlograma
Ha: ρ ≠0 h
no es significativa
5
20/05/2014
correlación cruzada entre dos secuencias Correlación no paramétrica

datos isotópicos (xi,yi)
Coeficiente de Correlación de Rangos
de Spearman
Rango: posición de un valor en la secuencia ordenada
Datos : (xi,yi) i=1,.., n R(xi) ; R(yi)

isótopos estables de O: 16O ; 17O ; 18O Correlación perfecta ⇒ R(xi)=R(yi) ∀i
estimación de paleotemperatura de océanos midiendo distribución de
6∑i =1 (R ( xi ) − R ( y i ) )
n 2
isótopos de O en carbonatos de calcio (calcita y aragonita)
r′ = 1 −
CO3= se enriquecen en 18O respecto del agua en función de la T° (
n n2 −1 )
Coeficiente de Correlación de Rangos de Spearman Pruebas de significación para r´

6∑i =1 (R ( xi ) − R ( y i ) )
n 2
r′ = 1 − H0: ρ=0
(
n n −12
) Ha: ρ ≠0
r’=0 ⇒ no correlación
r´
r’= 1 ⇒ correlación perfecta niveles de significación
Un alto valor de r’ ⇒ una buena relación lineal

Si n>20, aproximación
X tiene alta monotonicidad con Y
Prueba t
Es posible tener alto r y bajo r’ o viceversa
grados de libertad = (n-2) r 2 (n − 2)
t= ~t α , (n-2)
significación: tablas de r´crítico 1− r2
6
20/05/2014
CC Spearman
6∑i =1 (i − R (l i ) )
n 2
Series de eventos terremotos 45
6∑i =1 (R ( xi ) − R ( y i ) )
n 2
r′ = 1 −
( )
40
r′ = 1 − n n2 −1
Fechas de erupciones volcánicas (
n n2 −1 ) 35
30
l
m 25
i h l R(li) (i-R(li))2 r’=0.577
Datos = puntos en tiempo 1 0,5
20
espesores 1,8 8 49
15
2 2,3 0,9 2 0
3 3,2 1,0 3,5 0,25
H0: no hay tendencia 10
45
Secuencia de 45m de potencia de carbonatos 4 4,2 0,7 1 9 5 h
40 5 4,9 2,1 10 25 Ha: si hay tendencia 0
35 con horizontes delgados de tobas 6 7,0 4,4 13 49
intercalados 7 11,4 1,3 5 4 valor crítico, α=0.05, n=16
30
8 12,7 1,9 9 1
m 25 9 14,6 1,4 6 9
: r’c=0.427
7,0
10 16,0 5,5 15 25
longitud de intervalo
20 6,0
11 21,5 1,0 3,5 56,25
15 la aparición de tobas sigue algún patrón? 12 22,5 3,3 11 1
5,0
4,0
13 25,8 4,5 14 1 3,0
10 2,0
14 30,3 1,6 7 49
5 la frecuencia de lo eventos tiende a 15 31,9 4,3 12 9
1,0
0,0
n = 16 36,2
0 aumentar o a disminuir ? 6,6 16 0 0 2 4 6 8 10 12 14 16
17 42,8 Σ= 287,5 número de intervalo
Correlación serial 45
Análisis de Regresión
40
están correlacionadas las longitudes de 35

Investigar posible relación funcional
intervalos sucesivos? 30
de una variable respecto de otra
m 25
20
• si la ocurrencia de un evento está relacionada a Variable
15
X relación Variable
mecanismos de acumulación y alivio 10 independiente funcional
Y dependiente
5
0
• si los eventos se agrupan en fases de actividad • lineal
relación • polinómica
relación entre intervalos sucesivos i y i+1 funcional • exponencial
6∑i =1 (R (l i ) − R (l i +1 ) )
n 2
C.C.Spearman • logaritmica
r′ = 1 −
(
n n2 −1 ) La relación entre X e Y se puede expresar mediante una
n= número de intervalos -2 ecuación de regresión
7
20/05/2014
Regresión se calcula :
para visualizar correlación y regresión entre dos
cuando hay una correlación estadísticamente significativa
variables escalares ⇒ diagramas de dispersión.
cuando hay una dependencia causa-efecto previamente establecida
90
60
Ventajas de regresión: 50
60
40
• Se pueden hacer pruebas estadísticas rigurosas aunque los 30
30
datos no tengan D. Normal 20
10 0
• se pueden probar relaciones rectas o curvas 0 0 10 20 30 40 50 60
0 20 40 60 80 100
• se puede definir en forma precisa la naturaleza de la relación Y
bivariada mediante una ecuación 150
30
interpolando 100
20
extrapolando 50
10
podemos hacer predicciones 0
empleando la 0 10 20 30 40 50 60
0 X
ecuación 0 10 20 30 40
Análisis de Regresión modelo de regresión lineal simple

y i = β 0 + β 1 xi + ε i Y
Sean dos variables aleatorias X e Y relacionadas de 30
manera tal que Y es una función de X β0 =ordenada al origen 20
10
para cada valor de X habrá un único valor de Y = valor que tomaría y cuando x=0
0
unidades de y 0 10 20 30 40
X
relación
Variable Variable β1 = pendiente de la recta ⇒ hay una proporcionalidad
funcional constante
independiente dependiente
= Coeficiente de regresión lineal. •si la regresión es curva la
X Y unidades de y /unidades de x proporcionalidad no es constante!
variable no aleatoria, variable

(valores Regresión simple Todas las posibles variaciones aleatorias que influyen
aleatoria sobre los valores de y están englobadas en la variable
predeterminados
experimentalmente) aleatoria εi
8
20/05/2014
Modelo de regresión I : valores X fijos El modelo de regresión lineal simple que relaciona funcionalmente y con x será:
sólo los y tienen variación muestral aleatoria y = β 0 + β1 x + ε o bien yi = β 0 + β1 xi + ε i
Vble. aleatoria, DN(0,σ2)
Y ⇒ εi ~ DN(0,σ2).
Frecuencia Coeficiente de regresión lineal
+β 1X ∀xi, ∃ Distr. (y), Y

yi Y=β o
centrados en ^yi,
Frecuencia
+β 1X
con Var =σ2 yi Y=β o
βo
βo
( yi es uno de esos
xi X valores posibles ) xi X
para cada valor xi existe una distribución de valores y posibles σ2 =Var →desviaciones alrededor del valor y dado por la regresión
centrados entorno del punto (β0 +β1xi) sobre la recta el valor yi observado para (xi, yi) es una selección de
con varianza constante =σ2 uno de los valores y posibles de esta distribución
n Ecuación de regresión
∑(y − yˆ i )
2
Regresión lineal simple i = mínimo
i =1 ordenada al origen =b0
yi = b0 + b1xi pendiente=b1
estimar ecuación de la recta
y=b0+b1x sumo todos los yi
∧
desviación ∆: yi - yi multiplico por xi y sumo de i=1 a n n n
Y valores estimados ∑ yi = bo n + b1 ∑ xi
)α ⇒ tg α =b1 ordenada al origen i =1 i =1
yi Ecuaciones Normales
∧ ∆ n n n
∑ xi yi = bo ∑ xi + b1 ∑ xi2
pendiente
yi despejo bo , igualo y despejo b1
∧ n n
yi = b0 + b1xi i =1 i =1 i =1
∑x∑y
b0
n i i
∑x y
n n
−
∑y ∑x
recta definida por cuadrados mínimos i =1 i =1
xi X i i
n SPxy i i
v. independiente =regresor b1 = i =1
=
n   n 2
SC x b0 = i =1
− b1 i =1
 ∑ xi 
= predictor
∑ (y − yˆ i ) n n
2
= mínimo n
∑ xi −  i =1 
v. dependiente =regresada i 2
i =1
= predicha i =1 n b0 = y − b1 x
9
20/05/2014
∧
Y si los yi (estimados con la Var explicada por regresión :
Y
yi regresión) coinciden con los
y ∧ yi (observados) ⇒ S2R=SCR / gl
yi y
n
∑ (y − yˆ i ) = 0
n
SCR = ∑ ( yˆ i − y )
2 2
b0
i b0
i =1 i =1
xi X
x X
x b0
S2T=SCT / gl
gl= 2-1=1
La variación total de la variable dependiente Y es : b1
Var no explicada por regresión, o Var residual o Var debida a desviaciones : σ2

Y n
SCT = ∑ ( yi − y )
2 Y
S2D=SCD / gl
y i =1
y n
SC D = ∑ ( y i − yˆ i )
2
b0 gl= n-1
b0 i =1
x X
x X gl= n-2
Y
yi Modelo de regresión I : valores X fijos
)α ⇒ tg α =b1
ANOVA D sólo los y tienen variación muestral aleatoria
yi ŷi R T
y ∧ establecer significación de la y origen de grados Suma Cuadrados
Test F
yi variación libertad cuadrados Medios
regresión
regresión 2-1 SCR S2 R
b0 S2 R
Ho: la regresión no es significativa desviaciones n-2 SCD S2 D
xi
x S2 D
x X Total n-1 SCT S2 T
origen de grados Suma Cuadrados n n
SC R = ∑ ( yˆ i − y )
n
SCT = ∑ ( yi − y )
Test F
SC D = ∑ ( yi − yˆ i )
variación libertad cuadrados Medios 2 2 2
regresión 2-1 SCR CMR =S2 R i =1 2 i =1 i =1

 n  =  n 
2
desviaciones n-2 SCD CMD=S2D
S2 R
n
 ∑ yi   ∑ yˆ i 
SCT = ∑ yi −  i =1 
S2 D n
SC R = ∑ yˆ i −  i =1 
2
Total n-1 SCT S2 T
2 SC D = SCT − SC R
i =1 n n
i =1
Si rechazo es porque la Var. de la regresión es mayor Bondad de ajuste de la recta de regresión con las observaciones:
⇒ la regresión explica bien la variación de los datos
Coef. de SCR R2∈[0;1]
⇒ los datos responden a una regresión lineal Determinación R2 = , se puede poner como %
SCT
10
20/05/2014
n
SC D = ∑ ( y i − yˆ i )
Ecuación de regresión 2
y = b 0 + b 1x
S2y.x = S2D
calculamos bo y b1 ⇒ estimamos β o y β 1 i =1
∑ (y − b0 − b1 xi )
n 2
y = β0 + β1x + ε i
S 2
y. x = i =1
podemos hacer estimaciones de los valores esperados para y, dada x n−2
Particionamos la variación de Y en una parte atribuible a la regresión
Intervalo de confianza (n − 2) S y2. x
(explicable) y otra parte residual no explicada por la regresión.
para σ2 ~ χ n2-2
el cuadrado medio de los residuos=CMD σ 2
es la varianza respecto de la regresión S2y.x = S2D → σ2

(n − 2) S 2y . x (n − 2) S 2y. x
Var y = σ2 /n ≤σ ≤ 2
χ n2−2;α / 2 χ n2− 2;1−α / 2

⇒ estimación del error experimental = S 2
y. x /n
SPxy σ2 1 
b1 = Var(b1 ) = b0 = y − b1 x Var (b0 ) = σ 2  + n
x2 
∑ (x − x) n 2 
n
∑i=1 i
( )
2
SC x x − x
i =1 i  
intervalo de confianza para β1
intervalos de confianza para β0
b1 − β1
t= ~ t n -2 S2y.x estimación de σ
S 2 b1
b0 − β 0 S2y.x ⇒σ
t= ~ t n -2
2
S bo
S y2. x
b1 ± tn−2;α / 2 .
∑ (x − x )
n 2
i
i =1 1 x2
β0 ∈ b0 ± tn−2;α / 2 .S y. x +
∑ (x − x )
n 2
n i
i =1
11
20/05/2014
si X es fijo ⇒ x fijo, sólo pueden variar y y la pendiente b1

intervalo de confianza para yj medio cuando x=xj ( o sea yxj)
si cambia y la recta sube o baja
la estimación
si cambia b1, la recta gira en (x, y) yˆx j = b0 + b1 x j
⇒ el efecto sobre la estimación depende de (x -x)
tiene varianza
y 1 (x − x )2 
^
y ( )
Var yˆxi = σ 2  + n i
n
y y
∑i =1 (xi − x ) 
2

bo bo
si xj=x, ⇒ var(y) da la amplitud
mínima del intervalo
x
x x
Los límites de confianza de una regresión dan dos funciones

podemos construir la yˆx j − media hiperbólicas cuya menor separación se encuentra en (x, y)
variable aleatoria t t= ~t
S yˆx j n−2
yˆx j ± t S
1 (x j − x )
+ n
2
n − 2; α / 2 n ∑ ( xi − x )2
i =1
Int.Confianza para un valor medio de y dado xi
yˆx j ± t S y. x
1 (x − x )
+ n j
2
n − 2; α / 2 n ∑ (xi − x )2
i =1 ymedio
Y regres
la Var empleada corresponde al valor medio de y,dado xi
Lím inf
≠ a la Var correpondiente a una única predicción Lím sup
xmedio
12
20/05/2014
Cuando se hace una predicción para un valor de y, el intervalo es Modelo de

más amplio tanto x,como y tienen variación muestral aleatoria
la variable predicha es ypxi regresión II : X ~ N(µx,σ2x), Y~ N(µy,σ2y) ,
Int.Confianza para ypxi y px j ± t S 1+

1 (x − x )
+ n j
2
dos variable aleatorias X e Y con fdp conjunta f(X,Y)
n − 2; α / 2 n ∑ ( xi − x )2
i =1 puedo estimar sus parámetros con:
∑x ∑ (x − x )
2
frecuencias
x= i
; S2x =
n n −1
f(X)
y=∑ =∑
y (y − y) 2
i
; S2y f(Y)
n n −1
ymedio
X
Y regres
f(X)
x
Lím inf fdp individuales
f(Y)
y
Lím sup
xmedio Ls(Yp)
Y
Li(Yp)
fdp conjunta = f(X,Y) =campana centrada en el punto (x,y) f(X,Y)

f(X,Y)= A exp (B)
f(X) y f(Y) son las fdp marginales de la distribución conjunta
f(X) donde:
1  1 (x − µ x )2  frecuencias
f (X ) = exp −  1
x X A=
(1 − ρ )σ xσ y
2
2π σ x  2 σx 
f(Y) f(X) 2π 2 2 2
f(X,Y) y
1  1 (y − µ y )2  f(Y)
f (Y ) = exp − 
2π σ y  2 σ y
2
 x Y
B=−
1  ( x − µ )2
 x  x − µ x  y − µ y  y − µ y
− 2 ρ   +
( ) 
2
A exp B
X X
(
2 1− ρ 2 )  σ x
2
 σ x  σ y  σ 2y 
x
y
y parámetro ρ = coeficiente de correlación
Y Y ρ da una medida de la asociación o dependencia mutua

existente entre las variables aleatorias X e Y.
13
20/05/2014
plano vertical // eje Y que pasa por x corta la campana de la f(X,Y)

fdp(X,Y) en una curva
= distribución de muestra
extraída bajo la condición
f(X,Y) X=x
x X
fdp de Y condicional en X:
y
x f(Y|X).
f(Y|X)x X Y
y f ( X ,Y ) plano vertical // X
f (Y | X ) = corta la campana en la fdp condicional f(X|Y)
f (X )
Y
f ( X ,Y )
f (X | Y ) = ;
f (Y )
σx
µ x| y = µ x + ρ
σy
(y − µ y ) Y µx| y
µy| x
Las dos rectas de regresión definen la
elipse y están separadas un ángulo θ
medias condicionadas f(X,Y)
σy θ (1 − ρ 2 )σ xσ y
(x − µ x ) fdp(X,Y)
tgθ =
µ y|x = µ y + ρ
σx ( 2
ρ σx +σy
2
)
σ 2 = σ 2 (1 − ρ 2 ) µy
Si X e Y son independientes =
x| y x no están correlacionadas
varianzas condicionadas
x X ρ =0
σ 2 = σ 2 (1 − ρ 2 ) f(X,Y)=f(X).f(Y)
y| x y
y rectas de regresión // ejes X e Y
funciones lineales σx σ
µ x| y = µ x − ρ µy + ρ x y regresión lineal
X θ = 90°
σy σy de X en Y Y
µx
b0x b1x pendientes correlación perfecta estimación de ρ Cov( X , Y )

ρ=1 o ρ = −1,
r=
σy σy SxSy
ordenadas µ y |x = µ y − ρ µx + ρ x regresión lineal rectas de regresión superpuestas
al origen σx σx θ = 0°.
coeficiente de correlación de Pearson, o del
de Y en X producto de los momentos
b0y b1y
14

GSTD U5-Impr

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

GSTD U5-Impr

Cargado por

Copyright:

Formatos disponibles

20/05/2014

estudiar la naturaleza de esta relación las relaciona una f lineal

≡estimar grado de covariación existente entre ellas

El modo rápido de visualizar la correlación entre dos 700

Coeficiente de Correlación Signos de Covarianza

Cov( X , Y ) = coeficiente de Cov ( X , Y )

- - + - Cov - toma valores entre 1 y –1

Coeficiente de correlación de Pearson: r Para aplicar el Coeficiente de Pearson

analizar simultáneamente la variación de 2 variables medidas en

medidas ambas sobre un mismo objeto objeto Pb (ppm) Zn (ppm)

• presencia o ausencia de correlación

coeficiente de correlación de Pearson con los datos estimamos:

Problemas con r de Pearson: Pruebas de significación para r

Prueba t (Si no, mejor emplear planteos no

hay ciclos o periodicidad en secuencia estratigráfica?

200 de una serie consigo

correlación cruzada entre dos secuencias Correlación no paramétrica

Datos : (xi,yi) i=1,.., n R(xi) ; R(yi)

Coeficiente de Correlación de Rangos de Spearman Pruebas de significación para r´

Un alto valor de r’ ⇒ una buena relación lineal

están correlacionadas las longitudes de 35

Análisis de Regresión modelo de regresión lineal simple

Sean dos variables aleatorias X e Y relacionadas de 30

manera tal que Y es una función de X β0 =ordenada al origen 20

variable no aleatoria, variable

+β 1X ∀xi, ∃ Distr. (y), Y

Var no explicada por regresión, o Var residual o Var debida a desviaciones : σ2

regresión 2-1 SCR CMR =S2 R i =1 2 i =1 i =1

es la varianza respecto de la regresión S2y.x = S2D → σ2

χ n2−2;α / 2 χ n2− 2;1−α / 2

si X es fijo ⇒ x fijo, sólo pueden variar y y la pendiente b1

Los límites de confianza de una regresión dan dos funciones

Cuando se hace una predicción para un valor de y, el intervalo es Modelo de

Int.Confianza para ypxi y px j ± t S 1+

fdp conjunta = f(X,Y) =campana centrada en el punto (x,y) f(X,Y)

Y Y ρ da una medida de la asociación o dependencia mutua

plano vertical // eje Y que pasa por x corta la campana de la f(X,Y)

b0x b1x pendientes correlación perfecta estimación de ρ Cov( X , Y )

También podría gustarte