Estas graficas son totalmente distintas ya que la grafica estacionaria se mantiene dentro de un rango casi igual y no existe tanta variabilidad en los datos proporcionados ya que los mismos oscilan dentro de un margen de amplitud y no se extienden tanto.
Mientras las graficas no estacionarias son de caracteristica variable ya que los datos proporcionados no mantienen una amplitud especifica sino que varian tanto uno de otro y al intentar trazar una linea no salra ni recta ni curveada sino ira de arriba para abajo
sábado, 12 de julio de 2008
comentario sobre correlacion
La correlacion nos indica que tanta similitud o congruencia tienen las variables que estamos estudiando. Esta similitud nos indica que existe correlacion si suponiendo que tenemos las variables X , Y y si X aumenta Y lo tiene que hacer de la misma manera o viceversa, si esto ocurre enverdad existe correlacion.
una correlacion puede permanecer en un rango de -1, 0, 1 en donde al aplicar la formula de correlacion y el resultado es 1 la correlacion sera perfecta, si el resultado es -1 la correlacion sera negativa perfecta y si el resultado es 0 no existira correlacion alguna y habra error ya que las variables no tienen nada de similitud o congruencia una con otra.
una correlacion puede permanecer en un rango de -1, 0, 1 en donde al aplicar la formula de correlacion y el resultado es 1 la correlacion sera perfecta, si el resultado es -1 la correlacion sera negativa perfecta y si el resultado es 0 no existira correlacion alguna y habra error ya que las variables no tienen nada de similitud o congruencia una con otra.
correlacion
Correlación
En probabilidad y estadística, la correlación indica la fuerza y la dirección de una relación lineal entre dos variables aleatorias. Se considera que dos variables cuantitativas están correlacionadas cuando los valores de una de ellas varían sistemáticamente con respecto a los valores homónimos de la otra: si tenemos dos variables (A y B) existe correlación si al aumentar los valores de A lo hacen también los de B y viceversa. La correlación entre dos variables no implica, por sí misma, ninguna relación de causalidad.
Fuerza, sentido y forma de la correlación
La relación entre dos variables cuantitativas queda representada mediante la línea de mejor ajuste, trazada a partir de la nube de puntos. Los principales componentes elementales de una línea de ajuste y, por lo tanto, de una correlación, son la fuerza, el sentido y la forma:
La fuerza mide el grado en que la línea representa a la nube de puntos: si la nube es estrecha y alargada, se representa por una línea recta, lo que indica que la relación es fuerte; si la nube de puntos tiene una tendencia elíptica o circular, la relación es débil.
El sentido mide la variación de los valores de B con respecto a A: si al crecer los valores de A lo hacen los de B, la relación es positiva; si al crecer los valores de A disminuyen los de B, la relación es negativa.
La forma establece el tipo de línea que define el mejor ajuste: la línea recta, la curva monotónica o la curva no monotónica.
El coeficiente de correlación de Pearson es un índice estadístico que mide la relación lineal entre dos variables cuantitativas.
El valor del índice de correlación varía en el intervalo [-1, +1]:
Si r = 0, no existe ninguna correlación. El índice indica, por tanto, una independencia total entre las dos variables, es decir, que la variación de una de ellas no influye en absoluto en el valor que pueda tomar la otra.
Si r = 1, existe una correlación positiva perfecta. El índice indica una dependencia total entre las dos variables denominada relación directa: cuando una de ellas aumenta, la otra también lo hace en idéntica proporción.
Si 0 < r =" -1,">
En probabilidad y estadística, la correlación indica la fuerza y la dirección de una relación lineal entre dos variables aleatorias. Se considera que dos variables cuantitativas están correlacionadas cuando los valores de una de ellas varían sistemáticamente con respecto a los valores homónimos de la otra: si tenemos dos variables (A y B) existe correlación si al aumentar los valores de A lo hacen también los de B y viceversa. La correlación entre dos variables no implica, por sí misma, ninguna relación de causalidad.
Fuerza, sentido y forma de la correlación
La relación entre dos variables cuantitativas queda representada mediante la línea de mejor ajuste, trazada a partir de la nube de puntos. Los principales componentes elementales de una línea de ajuste y, por lo tanto, de una correlación, son la fuerza, el sentido y la forma:
La fuerza mide el grado en que la línea representa a la nube de puntos: si la nube es estrecha y alargada, se representa por una línea recta, lo que indica que la relación es fuerte; si la nube de puntos tiene una tendencia elíptica o circular, la relación es débil.
El sentido mide la variación de los valores de B con respecto a A: si al crecer los valores de A lo hacen los de B, la relación es positiva; si al crecer los valores de A disminuyen los de B, la relación es negativa.
La forma establece el tipo de línea que define el mejor ajuste: la línea recta, la curva monotónica o la curva no monotónica.
El coeficiente de correlación de Pearson es un índice estadístico que mide la relación lineal entre dos variables cuantitativas.
El valor del índice de correlación varía en el intervalo [-1, +1]:
Si r = 0, no existe ninguna correlación. El índice indica, por tanto, una independencia total entre las dos variables, es decir, que la variación de una de ellas no influye en absoluto en el valor que pueda tomar la otra.
Si r = 1, existe una correlación positiva perfecta. El índice indica una dependencia total entre las dos variables denominada relación directa: cuando una de ellas aumenta, la otra también lo hace en idéntica proporción.
Si 0 < r =" -1,">
comentario sobre regresion
La palabra regresion es un termino que proviene de regresar o volver.
Esta nos ayuda para hacer predicciones o proyecciones es decir que podremos hacer estudios para predecir el futuro ya sea de fenomenos naturales o sociales. este estudio es de importancia para grandes cientificos y para nosotros tambien ya que con este conocimiento podremos realizar nuestras propias predicciones sobre algun fenomeno y por que no en nuestro trabajo para saber como nos iran nuestras ventas, tomando como base o muestra las ventas pasadas.
Esta nos ayuda para hacer predicciones o proyecciones es decir que podremos hacer estudios para predecir el futuro ya sea de fenomenos naturales o sociales. este estudio es de importancia para grandes cientificos y para nosotros tambien ya que con este conocimiento podremos realizar nuestras propias predicciones sobre algun fenomeno y por que no en nuestro trabajo para saber como nos iran nuestras ventas, tomando como base o muestra las ventas pasadas.
regresion
La regresión estadística o regresión a la media es la tendencia de una medición extrema a presentarse más cercana a la media en una segunda medición. La regresión se utiliza para predecir una medida basándonos en el conocimiento de otra.
Origen del concepto
El término regresión fue introducido por Francis Galton en su libro Natural inheritance (1889), partiendo de los análisis estadísticos de Karl Pearson. Su trabajo se centró en la descripción de los rasgos físicos de los descendientes (variable A) a partir de los de sus padres (variable B). Estudiando la altura de padres e hijos a partir de más de mil registros de grupos familiares, se llegó a la conclusión de que los padres muy altos tenían una tendencia a tener hijos que heredaban parte de esta altura, pero que revelaban también una tendencia a regresar a la media. Galton generalizó esta tendencia bajo la "ley de la regresión universal": «Cada peculiaridad en un hombre es compartida por sus descendientes, pero en media, en un grado menor.»
Regresión lineal simple
Dadas dos variables (Y: variable dependiente; X: independiente) se trata de encontrar una función simple (lineal) de X que nos permita aproximar Y mediante: Ŷ = a + bX
a (ordenada en el origen, constante)
b (pendiente de la recta)
A la cantidad e=Y-Ŷ se le denomina residuo o error residual.
Así, en el ejemplo de Pearson: Ŷ = 85 cm + 0,5X
Donde Ŷ es la altura predicha del hijo y X la altura del padre: En media, el hijo gana 0,5 cm por cada cm del padre.
Origen del concepto
El término regresión fue introducido por Francis Galton en su libro Natural inheritance (1889), partiendo de los análisis estadísticos de Karl Pearson. Su trabajo se centró en la descripción de los rasgos físicos de los descendientes (variable A) a partir de los de sus padres (variable B). Estudiando la altura de padres e hijos a partir de más de mil registros de grupos familiares, se llegó a la conclusión de que los padres muy altos tenían una tendencia a tener hijos que heredaban parte de esta altura, pero que revelaban también una tendencia a regresar a la media. Galton generalizó esta tendencia bajo la "ley de la regresión universal": «Cada peculiaridad en un hombre es compartida por sus descendientes, pero en media, en un grado menor.»
Regresión lineal simple
Dadas dos variables (Y: variable dependiente; X: independiente) se trata de encontrar una función simple (lineal) de X que nos permita aproximar Y mediante: Ŷ = a + bX
a (ordenada en el origen, constante)
b (pendiente de la recta)
A la cantidad e=Y-Ŷ se le denomina residuo o error residual.
Así, en el ejemplo de Pearson: Ŷ = 85 cm + 0,5X
Donde Ŷ es la altura predicha del hijo y X la altura del padre: En media, el hijo gana 0,5 cm por cada cm del padre.
sábado, 21 de junio de 2008
comentario
Estas series de tiempo nos sirven para hacer predicciones o proyecciones a cerca de algun acontecimiento que nos pueda suceder en el futuro y asi poder prepararnos para ello.
Estas son de gran importancia para una empresa, en la agricultura y hasta para un pais porque estas nos informarán de como se comportá cierto acontecimiento, cambio de clima o como se comportaran los clientes ante un nuevo producto.
Estas son de gran importancia para una empresa, en la agricultura y hasta para un pais porque estas nos informarán de como se comportá cierto acontecimiento, cambio de clima o como se comportaran los clientes ante un nuevo producto.
series de tiempo
Una serie de tiempo esta dado por un conjunto de observaciones que están ordenadas en el tiempo, y que estas pueden representar el cambio de una variable ya sea de tipo económica, física, química, biológica, etc, a lo largo esa historia.
El objetivo del análisis de una serie de tiempo es el conocimiento de su patrón de comportamiento, para así poder prever su evolución en el futuro cercano, suponiendo por supuesto que las condiciones no variarán significativamente.
Los pronosticos que se puedan realizar en base al análisis de este tipo de datos serviran para el desarrollo de nuevos planes para inversiones en agricultura por ejemplo, elaboración de nuevos productos por parete de las empresas, prevención de desastres por cambios en el clima, o captar turistas para la ciudad, etc.
El objetivo del análisis de una serie de tiempo es el conocimiento de su patrón de comportamiento, para así poder prever su evolución en el futuro cercano, suponiendo por supuesto que las condiciones no variarán significativamente.
Los pronosticos que se puedan realizar en base al análisis de este tipo de datos serviran para el desarrollo de nuevos planes para inversiones en agricultura por ejemplo, elaboración de nuevos productos por parete de las empresas, prevención de desastres por cambios en el clima, o captar turistas para la ciudad, etc.
Suscribirse a:
Entradas (Atom)
