Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 60 vistas

    Manejo de Valores Atipicos

    Cargado por

    Esperanza Mendoza
    La prueba Q de Dixon se usa para identificar y rechazar valores atípicos en un conjunto de datos. Calcula la diferencia entre un valor potencialmente atípico y el valor más cercano, y compara esta diferencia a un umbral estadístico. Solo se puede rechazar un solo valor por conjunto de datos. La prueba F de Fisher compara la bondad de ajuste de modelos de regresión restringidos vs no restringidos. Calcula la razón de las sumas de cuadrados de residuos de ambos modelos y la compara a valores críticos

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    Manejo de Valores Atipicos

    Cargado por

    Esperanza Mendoza
    60 vistas2 páginas
    La prueba Q de Dixon se usa para identificar y rechazar valores atípicos en un conjunto de datos. Calcula la diferencia entre un valor potencialmente atípico y el valor más cercano, y compara esta diferencia a un umbral estadístico. Solo se puede rechazar un solo valor por conjunto de datos. La prueba F de Fisher compara la bondad de ajuste de modelos de regresión restringidos vs no restringidos. Calcula la razón de las sumas de cuadrados de residuos de ambos modelos y la compara a valores críticos

    Título original

    manejo de valores atipicos.docx

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    La prueba Q de Dixon se usa para identificar y rechazar valores atípicos en un conjunto de datos. Calcula la diferencia entre un valor potencialmente atípico y el valor más cercano, y compara esta diferencia a un umbral estadístico. Solo se puede rechazar un solo valor por conjunto de datos. La prueba F de Fisher compara la bondad de ajuste de modelos de regresión restringidos vs no restringidos. Calcula la razón de las sumas de cuadrados de residuos de ambos modelos y la compara a valores críticos

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    60 vistas2 páginas

    Manejo de Valores Atipicos

    Cargado por

    Esperanza Mendoza
    La prueba Q de Dixon se usa para identificar y rechazar valores atípicos en un conjunto de datos. Calcula la diferencia entre un valor potencialmente atípico y el valor más cercano, y compara esta diferencia a un umbral estadístico. Solo se puede rechazar un solo valor por conjunto de datos. La prueba F de Fisher compara la bondad de ajuste de modelos de regresión restringidos vs no restringidos. Calcula la razón de las sumas de cuadrados de residuos de ambos modelos y la compara a valores críticos

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    Está en la página 1de 2

    PRUEBA Q DE DIXON

    En estadística, la prueba Q de Dixon, o simplemente la prueba Q, se usa para la


    identificación y el rechazo de valores atípicos. Esto supone una distribución normal y,
    según Robert Dean y Wilfrid Dixon, y otros, esta prueba debe usarse con moderación
    y nunca más de una vez en un conjunto de datos. Para aplicar una prueba Q para
    datos incorrectos, organice los datos en orden de valores crecientes y calcule Q tal
    como se define:

    Donde gap es la diferencia absoluta entre el valor atípico en cuestión y el número más
    cercano a él. Si Q> Qtable, donde Qtable es un valor de referencia correspondiente al
    tamaño de muestra y nivel de confianza, entonces rechace el punto cuestionable.
    Tenga en cuenta que solo un punto puede ser rechazado de un conjunto de datos
    usando una prueba Q.
    EJEMPLO
    Considere el conjunto de datos:

    Ahora reacomode en orden creciente:

    Presumimos que 0.167 es un valor atípico. Calcule Q:

    Con 10 observaciones y con un 90% de confianza, Q = 0.455> 0.412 = Qtable, por lo


    que concluimos que 0.167 es de hecho un valor atípico. Sin embargo, con una
    confianza del 95%, Q = 0.455 <0.466 = Qtable 0.167 no se considera un valor atípico.
    Esto significa que para este ejemplo podemos estar 90% seguros de que 0.167 es un
    valor atípico, pero no podemos estar seguros al 95%.

    Notas de McBane : Dixon proporcionó pruebas relacionadas con la intención de buscar


    más de un valor atípico, pero se utilizan con mucha menos frecuencia que la versión
    r10 o Q que pretende eliminar un solo valor atípico.

    TABLA

    Esta tabla resume los valores límite de la prueba Q de Dixon de dos colas.
    PRUEBA F DE FISHER
    En estadística se denomina prueba F de Snedecor a cualquier prueba en la que
    el estadístico utilizado sigue una distribución F si la hipótesis nula no puede ser
    rechazada. El nombre fue acuñado en honor a Ronald Fisher.

     La hipótesis de que las medias de múltiples poblaciones normalmente


    distribuidas y con la misma desviación estándar son iguales. Esta es, quizás, la
    más conocida de las hipótesis verificada mediante el test F y el problema más
    simple del análisis de varianza.
     La hipótesis de que las desviaciones estándar de dos poblaciones
    normalmente distribuidas son iguales, lo cual se cumple.
    En muchos casos, el test F puede resolverse mediante un proceso directo. Se
    requieren dos modelos de regresión, uno de los cuales restringe uno o más de los
    coeficientes de regresión conforme a la hipótesis nula. El test entonces se basa en un
    cociente modificado de la suma de cuadrados de residuos de los dos modelos como
    sigue:
    El estadístico F puede calcularse como

    Donde:
    RSS_0 se refiere al coeficiente de determinación del modelo sin restringir (R^2)
    RSS_1 se refiere al coeficiente de determinación del modelo restringido (R^2)
    m se refiere al número de restricciones impuestas a los coeficientes estimados
    (coficientes restringidos).
    k se refiere al número de coeficientes estimados en el modelo sin restricciones.
    n se refiere al número de observaciones del modelo.
    El valor resultante debe entonces compararse con el valor correspondiente de la tabla
    de valores críticos.
    Si F_calculado > F_tablas; rechazo el modelo restringido.

    También podría gustarte