CORRELACIÓN MULTIPLE

DEDICATORIA

A nuestros Padres por su constante apoyo en nuestras vidas como universitarios y como jóvenes a prueba en la sociedad.

A nuestro Profesor por sus precisas observaciones que nos brinda para consolidar su trabajo de enseñanza dentro de la Universidad.

A nuestros compañeros por ser las personas con las cuales estamos inmersos dentro de la educación y la vida misma con los aprendizajes como personas.

CONTENIDO

DEDICATORIA 1

INTRODUCCIÓN 3

CORRELACION MULTIPLE

DEFINICIÓN DE CORRELACIÓN MÚLTIPLE

II. PRPIEDADES DE LA CORRELACION MULTIPLE

III. INTERPRETACION DE LA CORRELACION MULTIPLE

PRUEBA DE BONDAD DE AJUSTE

I. DEFINICION DE PRUEBA DE BONDAD DE AJUSTE

II. PROPIEDADES DE PRUEBA DE BONDAD DE AJUTE…………………

III. INTERPRETACION DE PRUEBA DE BONDAD DE AJUSTE…………….

ANÁLISIS DE VARIANZA…………………………………………………………………………

BIBLIOGRAFÍA 27

INTRODUCCIÓN

En la construcción del modelo de simulación es importante decidir si un conjunto de datos se ajusta apropiadamente a una distribución específica de probabilidad. Al probar la bondad del ajuste de un conjunto de datos, se comparan las frecuencias observadas FO realmente en cada categoría o intervalo de clase con las frecuencias esperadas teóricamente FE.

En el análisis de varianza se puede utilizar para decidir si las medias de dos o más poblaciones son iguales. La prueba se basa en una muestra única, obtenida a partir de cada población.

El análisis de varianza puede servir para determinar si las diferencias entre las medias muéstrales revelan las verdaderas diferencias entre los valores medios de cada una de las poblaciones, o si las diferencias entre los valores medios de la muestra son más indicativas de una variabilidad de muestreo.

Si el valor estadístico de prueba (análisis de varianza) nos impulsa a aceptar la hipótesis nula, se concluiría que las diferencias observadas entre las medias de las muestras se deben a la variación casual en el muestreo (y por tanto, que los valores medios de población son iguales). Si se rechaza la hipótesis nula, se concluiría que las diferencias entre los valores medios de la muestra son demasiado grandes como para deberse únicamente a la casualidad (y por ello, no todas las medias de población son iguales).

Los datos para el análisis de varianza se obtienen tomando una muestra de cada población y calculando la media muestral y la variancia en el caso de cada muestra

CORRELACIÓN MÚLTIPLE

DEFINICIÓN:

Una correlación múltiple (R) es el coeficiente de correlación entre una variable criterio (Y) y la combinación lineal de las variables llamadas predictoras (X) que también se pueden denominar, variables independientes. Es decir la relación que existe entre varias variables independientes con una dependiente.

Correlación Múltiple es el procedimiento analítico que nos permite determinar cuánto de la variación en la variable observada está asociado con la variación del conjunto de variables que pretenden predecirla.

La combinación linear es la suma algebraica de las variables predictoras o independientes ponderadas por sus coeficientes beta; estos coeficientes son análogos a los coeficientes b y se calculan utilizando puntuaciones típicas.

La correlación múltiple se simboliza como R e incluye el cálculo de los coeficientes beta de cada variable. Una expresión sencilla de esta correlación múltiple es:

R = √(∑▒β_i r_1i )

Se multiplica el coeficiente beta de cada variable independiente por su correlación con la variable (Y) y se suman los productos. La raíz cuadrada de esta suma es el coeficiente de correlación múltiple.

R^2, Como sucede con r^2 (el coeficiente de determinación) expresa la proporción de varianza en la variable criterio (Y) explicada por la correlación múltiple. Habitualmente lo que se comunica e interpreta no es R sino R^2

PROPIEDADES DE LA CORRELACIÓN MÚLTIPLE.

Orden de k- ésimo.

Se encuentra entre los intervalos de 0>R<1.

Cuanto más se acerca a 1 mayor es el grado de asociación entre variables.

Cuanto más se acerque a 0 la relación lineal es peor.

INTERPRETACIÓN DE LA CORRELACIÓN MÚLTIPLE

Como podemos suponer, el coeficiente beta puede ayudarnos a comprender la importancia de una variable en la forma como se comporta el variable criterio (principal); que a mayor valor beta mayor impacto tiene en la forma como varia el valor de la variable criterio o viceversa. Pero si deseamos conocer la contribución (importancia) relativa de las variables predictoras en la variabilidad criterio, lo podemos determinar elevando al cuadrado los respectivos coeficientes beta. Esto no dice nada respecto a la contribución absoluta de cada variable predictora, sólo presenta su importancia relativa.

Por ejemplo: Siendo el coeficiente beta de la variable edad 53 mientras que el coeficiente beta de la variable nivel académico es de 22 al correlacionarlas con la Variable criterio gradación del lente, se puede elevar al cuadrado ambos coeficientes obteniéndose.

Edad.(53)^2 Una beta cuadrada de.2809

Nivel académico.(22)^2 de .0484

Lo que significa que la edad contribuye cinco veces más a la variabilidad de la variable gradación que lo que contribuye la variable nivel académico, dentro de una investigación en particular.

PRUEBAS DE BONDAD DE AJUSTE

DEFINICIÓN

La prueba de bondad de ajuste se utiliza

...