Regresion Lineal y

Analisis
ESCUELA:

AUTORA:

ASIGNATURA:

DOCENTE:

CICLO:

ndice.

HUACHO-2016

RESUMEN... 2

INTRODUCCION.. 4
EL MULTICULTURALISMO ..................................................................5
1.1.
1.2.
1.3.

DEFINICION ........................................................................5
ASPECTOS DEL MULTICULTURALISMO ....................6
EL ESATADO DEL MULTICULTURALISMO .......................6

EL MULTICULTURISMO PERUANO....................................................8
2.1.
2.2.
2.3.
2.4.
2.5.
2.6.
2.7.
2.8.

IDENTIDAD ETNICA Y CULTURAL ...................................8

AREAS CULTURAL PERUANAS ......................................8
ENUMERACION DE CULTURAS PERUANAS ..................10
EXTINCION DE CULTURAS Y LENGUAS ........................10
LENGUAS GENERALES ..................................................11
COSTA .................................................................................12
SIERRA ...............................................................................13
SELVA ................................................................................14

LA REALIDAD MULTICULTURALISMO EN EL PERU ........................16

3.1.

LA REALIDAD DE LAS CULTURAS....................................17

CONCLUSION ....................................................................................19
BIBLOGRAFIA .....................................................................................20
ANEXOS .............................................................................................21

Introduccin

El anlisis de la covarianza o ANCOVA, acrnimo del ingls anlisis of

covariancia, es un modelo lineal general con una variable cuantitativa y uno o
ms factores. El ANCOVA es una fusin del ANOVA y de la regresin lineal
mltiple. Es un procedimiento estadstico que permite eliminar la
heterogeneidad causada en la variable de inters (variable dependiente) por
la

influencia

de

una

ms

variables

cuantitativas

(covariables).

Bsicamente, el fundamento del ANCOVA es un ANOVA al que a la variable

dependiente se le ha eliminado el efecto predicho por una o ms covariables
por regresin lineal mltiple. La inclusin de covariables puede aumentar la
potencia estadstica porque a menudo reduce la variabilidad.

Regresin lineal y

Anlisis de
convariancia
1.1. REGRESION
A) DEFINICION
Se define como un procedimiento mediante el cual se trata de
determinar si existe o no relacin de dependencia entre dos o ms
variables. Es decir, conociendo los valores de una variable
independiente, se trata de estimar los valores, de una o ms
variables dependientes.
La regresin en forma grfica, trata de lograr que una dispersin
de las frecuencias sea ajustada a una lnea recta o curva.

B) CLASES DE REGRESION
La regresin puede ser Lineal y Curvilnea o no lineal, ambos tipos
de regresin pueden ser a su vez:
Esta regresin se utiliza con mayor frecuencia en las ciencias
econmicas, y sus disciplinas tecnolgicas. Cualquier funcin no
lineal, es linealizada para su estudio y efectos prcticos en las
ciencias

econmicas,

modelos

no

lineales

multiecuacionales.
Objetivo: Se utiliza la regresin lineal simple para:

lineales

1. Determinar la relacin de dependencia que tiene una

variable respecto a otra.
2. Ajustar la distribucin de frecuencias de una lnea, es
decir, determinar la forma de la lnea de regresin.
3. Predecir un dato desconocido de una variable partiendo de
los datos conocidos de otra variable.
Por ejemplo: Podra ser una regresin de tipo lineal:
En una empresa de servicio de Internet busca relacionar las
ganancias que obtiene cada computadora con el nmero de
usuarios que ingresan a dicha cabina diariamente. En la tabla
representa Y (Ganancias S/.) e X (Nmero de usuarios)

C) FORMULAS:
Forma Directa
De la ecuacin de la recta:

Si

, se obtienen a partir de las ecuaciones normales:

Aplicando normales Y sobre X tenemos:

6
El Coeficiente de Regresin es

De la misma manera la recta de regresin de "X" sobre "Y" ser

dada de la siguiente manera:

Dnde:

se obtienen a partir de las ecuaciones normales:

Aplicando normales X sobre Y tenemos:

D) EJEMPLOS.
En la Facultad de Ingeniera de Sistemas y Computo de
la Universidad "Inca Garcilaso de la Vega" se quiere entender los
factores de aprendizaje de los alumnos que cursan la asignatura
de PHP, para lo cual se escoge al azar una muestra de 15 alumnos y
ellos
registran
notas
promedios
en
las
asignaturas
de Algoritmos, Base de Datos y Programacin como se muestran
en el siguiente cuadro.

Alumno

PHP

Algoritmos

Base de Datos Programacin

13

15

15

13

13

14

13

12

13

16

13

14

15

20

14

16

16

18

18

17

15

16

17

15

12

13

15

11

13

16

14

15

13

15

14

13

10

13

14

13

10

11

11

12

12

10

12

14

16

11

14

13

15

17

16

15

14

15

19

14

16

15

15

13

15

10

Lo que buscamos es construir un modelo para determinar la

dependencia que exista de aprendizaje reflejada en las notas de la
asignatura de PHP, conociendo las notas de las asignaturas
Algoritmos, Base de Datos y Programacin.
Se presentara la siguiente ecuacin a resolver:

Utilizando las frmulas de las ecuaciones normales a los datos

obtendremos los coeficientes de regresin o utilizando Regresin
de Anlisis de datos, en la Hoja de Clculo de Excel podemos
calcular tambin los coeficientes de regresin:

Por lo tanto podemos construir la ecuacin de regresin que

buscamos:

El Error Estndar de Regresin Mltiple

Mediante esta medida de dispersin se hace ms preciso el grado

de dispersin alrededor del plano de regresin, se hace ms
pequeo.
Para calcularla se utiliza la formula siguiente:

En los resultados de Excel se llama error tpico y para explicar la

relacin del aprendizaje de PHP que se viene desarrollando es
de 0.861
El coeficiente de determinacin mltiple (r2)
Utilizaremos para determinar la tasa porcentual de Y para ser
explicados las variables mltiples, utilizando el si siguiente
formula:

EJEMPLO 2:

Vamos a realizar un estudio completo del ejemplo que se describe al

comienzo del tema. La tabla de datos es
Altura

Peso

175

180

162

157

180

173

171

168

165

165

80

82

57

63

78

65

66

67

62

58

Aunque en este caso tenemos dos variables muy relacionadas, y no est

claramente definido cul de ellas influye sobre la otra, decidimos estudiar
cmo la altura de los individuos influye sobre su peso corporal. Entonces
tomamos X=Altura como variable explicativa e Y=Peso como variable
explicada.
Comenzamos con la nube de puntos, para que nos informe si vale la
pena iniciar el estudio de la regresin lineal o no hay motivos para ello.

Se observa que los puntos siguen una tendencia, aunque uno de ellos, el
(157,63), se aleja de dicha tendencia. A este dato se le llama dato atpico.
En muestras numerosas un dato atpico no afecta demasiado al resultado, e
incluso en ocasiones se elimina de la tabla, aunque no lo haremos en este
caso. As pues, el dibujo revela cierta tendencia de los puntos a agruparse
en torno a una recta imaginaria. El coeficiente de determinacin, que es el
ndice numrico que evaluar esa tendencia nos constatar que hay una
buena relacin lineal.
Pasamos al clculo de los estadsticos necesarios

10

Ahora se puede calcular el coeficiente de correlacin lineal r xy y el de determinacin lineal R2

y
que nos indica que la variable independiente Altura explica el 6859% de la
varianza de los pesos. Este mismo coeficiente de determinacin se toma
como ndice de fiabilidad a la hora de hacer predicciones de la variable
Peso a partir de datos de la variable Altura.
Por ejemplo, segn la tabla de datos, qu peso corporal le debera
corresponder a una persona de 178 cm. de estatura? La respuesta viene de
la recta de regresin de Peso sobre Altura. La calculamos con los datos
que ya tenemos,

quedando

As, una persona de altura 178 cm. (correspondiente por tanto a x=178)
tiene, en virtud de la recta de regresin, un peso (y) que se obtiene
sustituyendo el valor de x, y vale y=76177 kg. Se toma como fiabilidad de la
prediccin el ndice R2 calculado con anterioridad. Es decir, se dice que la
prediccin tiene una fiabilidad del 6859%.

1.2. CORRELACION
A) DEFINICION
En probabilidad y estadstica, la correlacin indica la fuerza y la
direccin de una relacin lineal y proporcionalidad entre dos
variables

estadsticas.

Se

considera

que

dos

variables

cuantitativas estn correlacionadas cuando los valores de una de

ellas

varan

sistemticamente

con

respecto

los

valores

homnimos de la otra: si tenemos dos variables (A y B) existe

correlacin si al aumentar los valores de A lo hacen tambin los de
B y viceversa. La correlacin entre dos variables no implica, por s
misma, ninguna relacin de causalidad.
a relacin entre dos variables cuantitativas queda representada
mediante la lnea de mejor ajuste, trazada a partir de la nube de
puntos. Los principales componentes elementales de una lnea de
ajuste y, por lo tanto, de una correlacin, son la fuerza, el sentido
y la forma:
LA FUERZA extrema segn el caso, mide el grado en que la
lnea representa a la nube de puntos: si la nube es estrecha
y alargada, se representa por una lnea recta, lo que indica
que la relacin es fuerte; si la nube de puntos tiene una
tendencia elptica o circular, la relacin es dbil.
EL SENTIDO mide la variacin de los valores de B con
respecto a A: si al crecer los valores de A lo hacen los de B,
la relacin es directa (pendiente positiva); si al crecer los
valores de A disminuyen los de B, la relacin es inversa
(pendiente negativa).
LA FORMA establece el tipo de lnea que define el mejor
ajuste: la lnea recta, la curva monotnica o la curva no
monotnica.

B) FUNCIONES.
ANLISIS MATEMTICO

11

La gran mayora de las estructuras del universo han sido formadas

a partir de fluctuaciones de sobre densidad. Estas fluctuaciones o
campos de densidad, usualmente se expresan de la siguiente
manera:
Donde (x)

es

la

densidad de masa.
Pero, la expresin anterior puede ser reescrita considerando que
el campo de densidad (x ) se puede expresar, de forma ms
conveniente, como suma de modos. Para una geometra plana
comovil la forma de lograr esto es por medio del anlisis de
Fourier. El objetivo de este es representar el campo de densidad
() por medio de una suma, que en este caso son los modos,
compuesta de elementos ms simples de comprender. Luego, la
expansin de Fourier del campo es

12

FUNCION CORRELACIONAL DE 2 PUNTOS.

Existen definiciones alternativas para la funcin correlacin, estas
son las funciones correlacin de n- puntos, de esta la que nos
interesa estudiar es la funcin correlacin de dos puntos.
La funcin correlacin mide el exceso de probabilidad de encontrar
una galaxia a una distancia r de otra galaxia arbitraria en un
elemento de volumen V . Para entender esto pensemos en una
distribucin de masa como una distribucin de objetos puntuales; la
probabilidad de encontrar un objeto en un elemento de volumen
infinitesimal V es

Con n la densidad media de objetos, debido a que suponemos

isotropa, n es independiente de la posicin. Luego, la funcin
correlacin de dos puntos se define como la probabilidad conjunta
de encontrar un objeto en los elementos de volumen V1 y V2
separados por r12, esta probabilidad es dada por.

C) ECUACION

13

EJEMPLOS

D)

L as esta turas y pe so s de 1 0 j ugado r e s de balo nce sto de

un e qui po so n:

Estatura (X)

Pesos (Y)

186

85

189

85

190

86

192

90

193

87

193

91

198

93

201

103

14

203

100

205

101

15

C alcular e l c o efic i ent e de co r r ela c i n

Cor r ela c i n po sit iva m uy fuer t e .

Lo s valo r e s de do s var iable s X e Y se distr ib uye n se gn
la ta bla si guie nte :

Y/X

100

50

25

14

18

22

16

O bte ner e in ter pr e tar e l c o efic i ent e de co r r ela c i n

linea l .
Co nver timo s la tab la de do ble e ntrada e n un a ta bla
simple .

xi yi

yi

fi

xi fi

xi2 fi

yi fi

yi2 fi

14

100

10 000

14

196

1 400

18

200

20 000

36

648

3 600

14

50

2 500

14

196

700

18

150

7 500

54

972

2 700

22

50

2 500

22

484

1 100

fi

22

50

1 250

44

968

1 100

10

600

43 750

184

3 464

10 600

Es una co r r ela c i n nega t iva dbil .

1.3. REGRESION Y CORRELACION MULTIPLE.

A) DEFINICION

La regresin y la correlacin son dos tcnicas estrechamente

relacionadas y comprenden una forma de estimacin.
En forma ms especifica el anlisis de correlacin y regresin
comprende el anlisis de los datos mustrales para saber qu es y
cmo se relacionan entre si dos o ms variables en una poblacin.
El anlisis de correlacin produce un nmero que resume el grado
de la correlacin entre dos variables; y el anlisis de regresin da
lugar a una ecuacin matemtica que describe dicha relacin.
El anlisis de correlacin generalmente resulta til para un
trabajo de exploracin cuando un investigador o analista trata de
determinar que variables son potenciales importantes, el inters
radica bsicamente en la fuerza de la relacin. La correlacin mide
la fuerza de una entre variables; la regresin da lugar a una
ecuacin que describe dicha relacin en trminos matemticos.

17

B) PROPIEDAD

18