Apuntes, resúmenes, trabajos, exámenes y ejercicios de Matemáticas de Primaria

Coeficiente de Determinación (R²)

Para determinar el coeficiente de determinación, se debe consultar la tabla resumen del modelo, específicamente el valor de R².

Interpretación del Coeficiente de Determinación

Al analizar el ajuste del modelo, se observa que el coeficiente de determinación es (valor R²). Esto indica que el (%) de la variabilidad de la variable dependiente es explicada por el modelo obtenido. La interpretación de este valor es la siguiente:

• Regular: Si está entre 70% y 80%.
• Bueno: Si está entre 80% y 90%.
• Muy bueno: Si está entre 90% y 100%.

Un valor de R² cercano a 1 (o 100%) indica un mejor ajuste del modelo.

Consideración sobre Datos Atípicos

Es importante considerar si es necesario o no eliminar datos atípicos. Esto...

Representación de las Fracciones

T2: Estimadores MCO son (si el modelo cumple los supuestos): lineales en Y y U, insesgados, óptimos (ELIO), consistentes, eficientes, con distribución asintótica normal.

Sesgo de Variable Omitida

T3: Sesgo de variable omitida, 3 situaciones: factores omitidos relevantes para explicar Y, correlacionados con regresores (estimaciones sesgadas e inconsistentes y contrastes no fiables). Si son relevantes pero no correlacionados (estimaciones insesgadas y consistentes, pero contrastes no fiables). Si no son relevantes, las estimaciones mantienen sus propiedades y los contrastes son fiables.

Supuestos: U a veces es positiva y a veces negativa, pero en media se anula. Además, los factores observados y no observados están incorrelacionados. Y a veces...

Fundamentos Matemáticos del Ajuste de Observaciones

3.4 Ecuaciones de Condición y Residuos (Parte II)

En el contexto del ajuste de observaciones, se definen las siguientes matrices:

• B_rxn: Matriz de coeficientes de los residuos, con un rango de (r x n).
• V_nx1: Matriz de residuos, de dimensión (n x 1).
• D_rx1: Matriz de componentes numéricas o de observaciones, menos las constantes numéricas de las ecuaciones de condición. Su rango es (r x 1).

Dado que en este método el número de ecuaciones de condición disponibles (r) es igual al número de medidas redundantes, y cada una de ellas contiene un número desconocido de residuos (hasta totalizar n residuos, igual al número de observaciones), el número de ecuaciones (r) del sistema de ecuaciones...

Análisis de Conglomerados: Metodología y Determinación de Clústeres

Representatividad y Multicolinealidad

• Representatividad: Los casos seleccionados deben representar grupos “reales” en la población.
• Multicolinealidad: Es crucial eliminar variables que solo aportan información redundante. Se debe examinar el grado de correlación entre las variables para evitar incluir aquellas altamente correlacionadas con las demás.

Extracción: Etapas y Tareas

La etapa de extracción comprende cuatro tareas fundamentales:

1. Método de Conglomeración: Selección del método de conglomeración adecuado.
2. Determinación de las Distancias: Cálculo y análisis de la matriz de distancias.
3. Determinación del Número de Conglomerados: Identificación del número

1. Regresión Mínimo Cuadrática

Constituye un excelente método para cuantificar relaciones de dependencia detectadas entre variables.

Para hacer previsiones de demanda, las condiciones del entorno deben permanecer estables.

Modelos Lineales: Regresión Lineal Simple

Estudia la relación de dependencia entre dos variables:

• Una variable independiente (X)
• Una variable dependiente (Y) que toma valores en función de los valores de la variable independiente.

Y = α + βX (α y β son dos parámetros que deben calcularse)

• X es una variable independiente
• Y es una variable dependiente

α y β son dos parámetros que deben calcularse

Por ejemplo, podemos querer estudiar la relación entre las Ventas (Y, variable dependiente) y la Inversión en Publicidad (X,...

Conceptos Fundamentales en el Contraste de Hipótesis

Tipos de Hipótesis Estadísticas

Hipótesis Estadística (H)

Es cualquier afirmación, conjetura o suposición sobre una o varias características de interés sobre la distribución de la variable aleatoria $X$.

Hipótesis Paramétrica

Ocurre cuando la hipótesis se refiere específicamente al valor de un parámetro desconocido.

Hipótesis No Paramétrica

Ocurre cuando la hipótesis se refiere a características más generales, como la propia forma de la función de distribución $f(x;\theta)$.

Hipótesis de Contraste

Hipótesis Nula ($H_0$)

Es aquella hipótesis que se desea contrastar. La hipótesis nula se denota por $H_0$.

Hipótesis Alternativa ($H_1$)

Es la hipótesis complementaria a la nula.

22. Luminantzia-seinalearen edukia araututa dagoenez, zuriaren gehienezko balioa…… da eta gutxienezko balioa…… RGB koloreen gehienezko balioa (saturazio maila gorena)…… da eta gutxienezkoa…….

ila. 1/0. 1/0

23. Adibidez, kolore hori asea lortzeko, ………. eta ……….gorri aseak nahastu behar dira:

c. Berdea/ gorria, beraz, horia = 1 G + 1 R + 0 B

24. Kolore horiaren luminantzia lortzeko beraz, Grassmanen legea aplikatu ezkero…..

b. Y = 0,59 + 0,30 + 0 = 0,89  izango da

25.  Behin luminantzia bidalita, nahikoa da hiru RGB osagaietako biren informazioa atxikitzea hargailuak kolore informazio osoa eduki dezan. ………, ……….. eta…….. seinaleetatik abiatuta, adibidez, eragiketa errez batek …….. seinalearen neurria...

Evolución do Conflito Lingüístico en Galicia

O proceso de desgaleguización sufriu durante o franquismo unha intensificación sen precedentes, observada en catro fenómenos clave: o claro incremento do uso do español entre a poboación nas zonas urbanas e vilas, a penetración do español no rural (ata entón monolingüe en galego), o aumento significativo das persoas monolingües en español e a intensa difusión de prexuízos contra o galego e de comportamentos diglósicos.

Os principais factores que influíron nesta situación foron:

• Modificación dos Contextos Sociais e Tipos de Hábitat

  O paso da aldea á cidade implicou, en moitos casos, o abandono do galego en favor do castelán.

• Influencia das Estruturas Estatais

  A escola foi un dos piares

Modelo de Regresión 1: Ingreso de Meseros

Interpretación de Coeficientes

• B₀ = 1,3356: Si un mesero no atiende mesas (X₁=0) y no trabaja ninguna hora (X₂=0), entonces su ingreso promedio es de 1,3356 dólares por hora.
• B₁ = 0,2792: Por cada mesa adicional atendida, el ingreso promedio por hora de los meseros aumenta en 0,2792 dólares.
• B₂ = 3,8736: Por cada hora adicional trabajada, el ingreso promedio por hora de los meseros aumenta en 3,8736 dólares.

Pruebas de Hipótesis (Nivel de Significancia del 10%)

• Para B₀:
  • No se rechaza la hipótesis nula (H₀) de que β₀ no es significativo.
  • Por lo tanto, β₀ no es significativo al 10% de nivel de significancia.
• Para B₁:
  • No se rechaza la hipótesis nula (H₀) de que β₁ no es significativo.
  • Por lo tanto, β₁