Documente Academic
Documente Profesional
Documente Cultură
INTRODUCCIÓN
1.1.1 ANTECEDENTES
numérico que va desde un bajo 200 que hasta un alto 1000. El resultado
de una escuela.
1
(CAPA) están incluidos en el Los resultados del Desarrollo del API de
2003-04.
2
predicción lo entrega la Inteligencia Lógico-Matemática, con un 14,2%,
mismo autor (1978) ahora desde una perspectiva del alumno, define el
educativos pre-establecidos.
3
problema que han tenido que afrontar todas las sociedades modernas al
4
afroamericanos. Los estudiantes Requiere de una mejora del 81 por
ciento.
dominio de las técnicas de estudio por parte del alumno. Los docentes
elegir la titulación. Por otra parte, entre las causas debidas a los propios
5
dedicación de un tiempo razonable en la preparación de las clases. No
estudio.
6
Finalmente, sobre el profesorado el informe aconseja tomar medidas
7
autoestima con el rendimiento académico en función al tipo de familia
viven con ambos padres tienen mayor autoestima que los alumnos que
viven sin sus padres, finalmente, los niños que viven con un padre
tienen mayor autoestima que los niños que viven sin sus padres.
de lo que ya dedican.
8
de ambos sexos conforman la muestra, tanto de la zona urbana y
donde laboran.
9
reforma curricular a través de la opinión de los estudiantes de la escuela
estaba indeciso.
10
Warren (1961), su estudio sugirió que los cambios en el área de
área de estudio.
1.1.2 JUSTIFICACIÓN
sociedad.
11
Además, es de suma importancia para los estudiantes por la gran
pues nos provee datos más precisos que sirven para tomar decisiones,
1.2. PROBLEMA
1.3. HIPÓTESIS
12
Facultad de Economía y Contabilidad de la Universidad Nacional
1.4. OBJETIVOS
13
II. MATERIALES Y MÉTODOS
2.1.1. Población
2.1.2. Muestra
Unidad de análisis
Tamaño de la muestra
Z²pqN
n
T²(N - 1) Z²pq
Donde:
encuesta piloto)
14
Z: Valor de la distribución normal para un 95% de confianza
n = 99 estudiantes.
2.2.1. Método
nuestra población.
15
cuestionario (Anexo N° 02), Test de Autoestima (Anexo N 03) y la
utilizados:
a) FICHA TÉCNICA
modalidades de normas.
16
Sub test Social Pares: Una puntuación alta indica que el sujeto
como grupal.
b) DESCRIPCIÓN DE LA PRUEBA
c) NORMAS DE CORRECCIÓN
17
autoestima 40 x 2 = 80 De acuerdo a la categoría de autoestima 80
Si(1,4,5,5,8,9,14,19,20,26,27,28,29,32,36,38,41,42,43,46,47,50,53,58
AUTOESTIMA
universidad.
estudio.
18
Me aceptan fácilmente en un grupo.
académicos.
los demás.
19
Los chicos generalmente se la agarran conmigo por
test de autoestima.
alumnos en dos grupos 25% con puntaje alto y 25% con puntaje bajo,
Richardson (r20).
ELEGIDA.
a) FICHA TÉCNICA
20
El inventario está estructurado sobre la base de la jerarquía de
sueño etc. Por lo tanto consideramos que esta necesidad es básica y que
verse libre del miedo, del caos, así la profesión elegida garantizará la
profesional que irradie valor para él, así pues el alumno se agrupa por
21
capacidad y suficiencia de ser útil y necesario. Pues ésta necesidad a
potencialidades.
b) DESCRIPCIÓN DE LA PRUEBA.
Totalmente de acuerdo
De acuerdo
Ni de acuerdo ni en desacuerdo
En desacuerdo
Totalmente en desacuerdo.
22
información acerca de la satisfacción de los alumnos con la profesión
elegida.
c) NORMAS DE CORRECCIÓN
3,6,7,13,14,15,18,19,20,22,24,25,28,29,32,33.
diferentes así:
ALTERNATIVA POSITIVA:
ALTERNATIVA NEGATIVA:
el item 2 la alternativa (a) entonces tiene 5 puntos en este item. Por ser
23
una alternativa positiva. Así: Alumno “X": Item1 + item2+ item3+……
d) VALIDEZ Y CONFIABILIDAD
expresión.
El modelo es el siguiente:
24
Donde:
Y = Rendimiento Académico.
X1 = Inventario de Autoestima.
p ( y / ) p ( )
p ( / y ) con p(y)≠0 (1)
p( y)
25
representa la información que se tiene sobre θ después de recolectar los
Figura Nº1.
Teorema de Bayes.
Dist. a
priori
Información
p(θ)
inicial
Teorema Dist.
de Bayes Posterior
Información p (θ/y)
nueva Func. de
Verosimi
litud
l(θ/y)
Dada una muestra inicial y1, por la fórmula de Bayes dada en (2)
se tiene que:
p( / y ) α p( y / ). p( )
1 1
muestra:
26
p( / y,y ) α
1 2
p( y1 , y2 / ). p( ) p( y1 / ). p( y2 / ). p( )
p( / y,y) α
1 2
p( y2 / ). p( / y)
1
27
Ahora, se aplicarán estos conceptos para inducir una distribución a
y X
distribuidos con media cero y varianza σ2, esto es, ε ~ Nn [0, σ2 I].
( y X )' ( y X )
2
s v=n-k (3)
v
p(y/β,σ2) puede expresarse en función de s2 y como:
1 2
)
1
p( y / , 2) exp v s ( )' X ' X (
(2 )
n/2 n
2
2
p(β) α 1 p(σ2) α 1 2
y asumiendo independencia a priori entre β y σ2:
1
p( , 2) p( ). p( 2) α
2
p( , 2 / y) α p( , 2). p( y / , 2)
p( , 2 / y ) α 1 2
) (4)
1
exp v s ( )' X ' X (
n2
2
2
28
Esta expresión puede presentarse como el siguiente producto:
p( , 2 / y ) p( 2 / y ). p( / y, 2)
con:
v 2
exp s 2 1
exp
( )' X ' X ( )
p( 2 / y) α 2 ; p( / 2 , y ) α 2 2
2 v / 2 1
k
v v 2 y
N , ( X ' X )
(5)
p( 2 / y) Gamma Inv , s p( / , y )
2 1 2
k
2 2
p( / y ) t k (v, , s2 ( X ' X ) 1 ).
1
que contiene a los k2 parámetros restantes y H 11 la matriz que contiene
29
parámetros de 2 . Tras integrar p( / y ) con respecto a 2 se
obtiene que p( / y ) t (v, , H 11*).
1 k 1 1
univariada con v grados de libertad, parámetro de posición y
2 1
s (X ' X ) .
D.- Distribución posterior con información a priori conjugada.
2
En esta situación, los parámetros y tiene cierta
una muestra inicial (y1, X1), serán las distribuciones a priori en esta
2 2
30
Ahora, para una segunda muestra (y2, X2) de n2 observaciones
datos será:
1
p( y2 / , )
2 1
exp y X
2 ' y2 X 2
(2 ) n n 2
2
/2 2
2 2
2
será:
p( , / y)α p( y2 / , ). p( , )
2 2 2
2
v s2 1
exp exp ( )' M ( )
p( , / y)α 2 2
2 2
2
2
2 v / 2 1
k
Donde:
v = n1 + n2 – k M X X X X M X X
'
1 1
'
2 2 0
'
2 2
( X 1' X 1 X '2 X 2) 1 ( X 1' y1 X '2 y2) M 1 ( X 1' y1 X '2 y2)
( y1 X )' ( y X ) ( y X )' ( y X )
s
2 1 1 1 2 2 2 2
v
Con s2 y estadísticas conjuntamente suficientes para y
2
. En esta expresión, el primer término corresponde a la distribución
31
distribución posterior condicional p( / 2 , y2 ) , las cuales quedan
t (v, , s M ) .
2 1
k
elementos de , p(1 / y2 ) es una t k (v, 1, H 11*) donde H 11*
1
covarianzas de 1 .
s2M-1.
32
sólo mediante una actualización de los parámetros de las distribuciones
y :
2
Sean las siguientes distribuciones para
2
2 2
0
v0 , M 0 , 0
2
parámetros y s 0
son actualizados por la nueva
1) v = v0 + n
2) M = M0 + X’X
3) ( M 0 X ' X ) 1 ( M 0 0 X ' y )
' '
v s y' y 0 M 0 0 0 (M 0 0 X ' y)
2
s 0 0
2
4)
v
y (~
~ yn1 , ~
yn 2 ,.., ~
yn q ) las cuales pueden ser representadas por el
siguiente modelo:
~ ~ ~
y X (6)
1 1
y / , 2)
p( ~ y X~ )' ( ~
exp 2 ( ~ y X~ )
2
q/2 q
2
33
y a partir de este resultado y de la distribución posterior conjunta de
~y ,
2
y , se puede calcular la distribución posterior conjunta para
y :
2
y , , 2 / y ) p( ~
p( ~ y / , 2) p( , 2 / y )
integrar y , , 2 / y)
p( ~ con respecto a y
2
, tras lo cual se
obtiene:
(vq) / 2
1
p ( y / y ) 1 ( y X ) H ( y X )
v
2
cero y varianza común . Cuando las varianzas son heterogéneas y
y ~ N [ X ,
n y
caso.
34
Cuando la matriz de varianzas Σy es conocida y partiendo de una
factor de Cholesky 1/ 2
y
(Gelman(4)), con lo cual se obtiene:
1/ 2
y
y~ N [ n
1/ 2
y
X , I
N [ , ( X ' X )
k
1
y
1
con ( X ' y1 X ) 1 X ' y1 y.
dependen de y
y a la vez determinan una distribución a priori para
y
.
Q
2
que la matriz de covarianzas y y
, con la matriz Q y
no informativa p ( , 2) α
2 1 / 2
, será necesario calcular Q y
y
35
1 / 2
multiplicar ambos lados de (7) por Q . En este caso, las estadísticas
y
y
2
conjuntamente suficientes para son:
1 1
( X ' Qy X )' X ' Qy X Estimador de Mínimos Cuadrados
Generalizados
y X ' Q1 y X
y v=n–k
y s (8)
2
distribuciones posteriores:
v
p 2 / y Gamma Inv , vs p( / , y ) N k / , X ' Q y X
1
2
1
2 2
(9)
2 2
en el que y
es una matriz diagonal con sus elementos dados por:
2
ii
w i
haciendo:
1 1
Q diag w ... w
1
Q diag ... y 1 n
w1 wn
y
36
p ( / y ) . Sin embargo, la media y la mediana de p ( / y ) pueden
2
sencillo. Como la distribución posterior condicional de dado ,
p( / 2 , y ) , es una N ( , s M )
k
2 1
y la distribución posterior
v, , 2
, p( / y ) s M , la media de
1
marginal de , es una tk
es , valor que coincide con la moda y la mediana debido a la
2
Para el caso de , la moda de la distribución
v s2
2
mod
v 2
Dado que p( 2 / y) no es simétrica, la media posterior
/ y
vvs
2
v
2
E 1
p p 2
para
2 2
37
V E
p p 2
/y 2
p 2
2 v2 s 4
v 2 v 4
2
para
v
2
2
V V
p p p
Donde , es la varianza posterior del estimador . La
p
a) Pr R / y 1
posterior.
ii
38
iI
t / 2 hii
*
i (11)
iS
t 1 / 2 hii t / 2 hii
* *
i i
2
Para el cálculo de una región HPD para , dado que la distribución
métodos numéricos.
cantidad:
B 0
/ 1 0 1
0 / 1 1 0
es llamada el factor de Bayes a favor de H0.
39
f y / 0 1 f y / 0
B 0 1 0
1 0 1
f y / 1 0 f y / 1
p(i / y) , es una t
v, i , hii
sería plantear H :
0 0
, con 0 b, b , donde b es
40
un vector de constantes escogidos tal que si esta en 0 pueda ser
10 , 20 ,..., k 0 está
'
contenido (1-α) para y verificar si 0
j R , se cumple que:
p( i / y ) p( j / y )
0 R y si
Prp ( / y ) p ( j / y ) 1 entonces
0 R
N , M
Dado que p ( / y ) k
2 1
es una función monótona
decreciente de la cantidad:
' M
2
ks
41
p( / y ) será mayor que p( 0 / y) si y sólo si el valor F(k,v) es
' M
menor que 0 . Por lo tanto, estará dentro
0
2 0
ks
0 ' M
0
Pr F ( k , v) 1
k s2
0 ' M 0
F ( k , v,1 )
k s2
desarrollo anterior,
'
10
10
, 20 ,...,
k 10
estará dentro de la
región HPD de contenido (1-α) si:
'
10 H 11 10 k 1 F k 1 , v,1
1
*
1
1
42
Cuadro: Análisis de varianza para evaluar la significancia del modelo de
regresión.
Fuentes de Suma de Cuadrados
G.L. Razón de Cuadr. Medios
Variabilidad Cuadrados Medios
Parámetros
' s H 11
2 1 ' s H 11
2 1
*
' s H 11
2 1
~F(k-1,v)
1 1 *
*
1 1
1 1
k–1 k 1
Residual
vs 2
2 k 1
v
s
2.2.3. Técnica.
de variables independientes.
43
resultados, para asegurar que los resultados tengan validez tanto interna
como externa.
MULTIVARIADA.
1 n
X j X )´ S 1 ( X j X
2
b
n j 1
b p( p 2)
N (0,1)
8
p( p 2)
n
HETEROCEDASTICIDAD
44
En el contraste de Goldfeld y Quandt (1965), frente a la
siguientes expresiones:
H :
2 2 2 2
0 1 2 T
H : f X
2
1 t c jt
Se calcula el estadístico:
T k
GQ SCR2 2
SCR T 1 1
k
distribución:
GQ F
T 2 k ,T 1 k
FT k , al valor que deja a su derecha ≈ de la masa
2 T 1 k
siguiente:
45
Si GQ F T 2
k ,
T 1 k j
se rechaza la H 0
Si GQ F T 2
k ,
T 1 k j
no se rechaza la H 0
Así pues, cuanto más elevados sean los valores del estadístico
homocedasticidad.
MULTICOLINEALIDAD.
inflación de la varianza.
46
La tolerancia se define como la cantidad de variabilidad de la variable
TOLi 1 Ri2
Su definición es la siguiente:
1
FIVi TOLi 1
I Ri2
47
superiores a 10,0 expresan multicolinealidad severa.
AUTOCORRELACIÓN.
0
T
(u u t 1 )2 DW 2
si
DW t 1
T
2(1 ) DW 0 si 1
u
i 1
2
t
DW 4 si 1
48