CAP12 Regresion Lineal Simple

Estadstica para Administracin
4a Edicin
Captulo 12
Regresin Lineal Simple
Business Statistics, A First Course (4e) 2006 Prentice-Hall, Inc.
Chap 12-1
Objetivos de Aprendizaje
En este captulo, usted aprender:
Como usar el anlisis de regresin para predecir los
valores de una variable de respuesta con base en una
variable independiente (o explicativa)
El significado de los coeficientes de regresin b0 y b1
Como evaluar los supuestos de regresin y saber qu
hacer cuando alguno de los supuestos es violado
Probar hiptesis sobre la pendiente y el coeficiente de
correlacin
Estimar el valor medio de respuesta y predecir los
valores individuales de respuesta
Chap 12-2
Correlacin vs. Regresin

Un diagrama de dispersin se usa para mostrar
el tipo de relacin entre dos variables
El anlisis de Correlacin se usa para medir la
fuerza de asociacin (asociacin lineal) entre
dos variables
La correlacin crece o decrece a medida que la
fuerza de asociacin (lineal) de las dos variables
crece o decrece
Una alta correlacin no implica una relacin de

causa efecto entre las dos variables relacionadas
Chap 12-3
Introduccin al
Anlisis de Regresin
El anlisis de Regresin se usa para:
Predecir el valor de una variable dependiente o de
respuesta, basado en el valor de al menos una
variable independiente o explicativa
Explicar el impacto que tienen los cambios de una
variable explicativa o independiente sobre la variable
de respuesta o dependiente
Variable Dependiente o de respuesta: la variable

que se quiere explicar o predecir
Variable Independiente o explicativa: La variable
usada para explicar la variable dependiente
Chap 12-4
Modelo de Regresin Lineal

Simple
Tiene solo una variable independiente X
La relacin entre Y y X es descrita por
una funcin lineal
Se asume que los cambios en Y son
causados por los cambios en X
Chap 12-5
Tipos de relacin entre Y y X

Relacin lineal
Relacin curvilnea
X
Y
X
Y
X
X
Chap 12-6

(continuacin)
Relacin fuerte
Relacin dbil
X
Y
X
Y
X
X
Chap 12-7

(continuacin)
Sin relacin
Y
X
Y
X
Chap 12-8

Simple
Variable de
Respuesta
Coeficiente
poblacional
de la
pendiente
Intercepto
poblacional
con Y
Variable
explicativa
Trmino
de error
aleatorio
Yi 0 1Xi i
Componentes lineales
Componente de error
aleatorio
Chap 12-9

Simple
(continuacin)
Yi 0 1Xi i
Valor observado
de Y para Xi
i
Valor
pronosticado
de Y para Xi
Pendiente = 1
Error aleatorio para
este valor de Xi
Intercepto =
0
Xi
X
Chap 12-10
Ecuacin de Regresin Lineal

simple (Lnea de prediccin)
La ecuacin de regresin lineal simple provee una
estimacin de la lnea de regresin poblacional
Valor
estimado (o
pronosticado)
de Y para la
observacin i
Estimacin
del intercepto
de la
regresin
Estimacin de la
pendiente de
regresin
Yi b0 b1Xi
Valor de X
para la
observacin i
Los valores individuales de los trminos de error

aleatorios ei tienen promedio cero
Chap 12-11
Mtodo de Mnimos Cuadrados

b0 y b1 se obtienen encontrando los valores
de b0 y b1 que minimizan la suma de los
cuadrados de las diferencias entre Y y Y :
2
2
min (Yi Yi ) min (Yi (b0 b1Xi ))
Chap 12-12
Clculo de la ecuacin de
Mnimos Cuadrados
Los coeficientes b0 y b1 , y otros
resultados en este captulo, pueden ser
hallados usando Excel u otro software
estadstico
Las frmulas se presentan en el texto gua
para consulta de los interesados
Chap 12-13
Interpretacin de la Pendiente y del

Intercepto
b0 es la estimacin del valor promedio
de Y cuando el valor de X es cero
b1 es la estimacin de el cambio en el
valor promedio de Y como resultado
de el cambio de una unidad en el valor
de X
Chap 12-14
Ejemplo de una Regresin

Lineal simple
Un corredor de bienes races desea examinar la
relacin entre el precio de venta de las casas y su
tamao (medido en ft)
Se selecciona una muestra aleatoria de 10 casas
Variable de Respuesta (Y) = precio de las
casas en US$1000s
Variable explicativa (X) = ft
Chap 12-15
Datos muestrales para el modelo del

precio de las casas
Precio de las casas en
US$1000s
(Y)
Tamao de las casas ft

(X)
245
1400
312
1600
279
1700
308
1875
199
1100
219
1550
405
2350
324
2450
319
1425
255
1700
Chap 12-16
Grfico de Dispersin
Precio casas ($1000s)
Modelo para el precio de las

casas: diagrama de dispersin
450
400
350
300
250
200
150
100
50
0
0
500
1000
1500
2000
2500
3000
ft
Chap 12-17
Herramientas para el modelo

mediante Excel
Herramientas / Analisis de Datos / Regresin
Chap 12-18
Salidas de Excel
Regression Statistics
Multiple R
0.76211
R Square
0.58082
Adjusted R Square
0.52842
Standard Error
La ecuacin de regresin es:

precio casa 98.24833 0.10977 (ft)
41.33032
Observations
10
ANOVA
df
SS
MS
F
11.0848
Regression
18934.9348
18934.9348
Residual
13665.5652
1708.1957
Total
32600.5000
Coefficients
Intercept
Square Feet
Standard Error
t Stat
P-value
Significance F
0.01039
Lower 95%
Upper 95%
98.24833
58.03348
1.69296
0.12892
-35.57720
232.07386
0.10977
0.03297
3.32938
0.01039
0.03374
0.18580
Chap 12-19
Grfico del modelo

Modelo del precio de las casas: diagrama
de dispersin y lnea de regresin
Precio casas ($1000s)
450
Intercepto
= 98.248
400
350
300
Pendiente
= 0.10977
250
200
150
100
50
0
0
500
1000
1500
2000
2500
3000
ft
precio casas 98.24833 0.10977 (ft)

Chap 12-20
Interpretacin del intercepto, b0

precio casa 98.24833 0.10977 (ft)
b0 es el valor medio estimado de Y cuando X
vale cero (Si X = 0 est en el rango de valores
observados de X)
En este caso, no hay casas con un rea de cero ft,
entonces b0 = 98.24833 solo indica que, para casas
dentro del rango de tamao observado, $98,248.33
es la porcin del precio de las casas que no es
explicada por el tamao de las mismas en ft
Chap 12-21
Interpretacin de la pendiente, b1
precio casa 98.24833 0.10977 (ft)
b1 mide la estimacin del cambio en el

valor medio de Y como resultado del
cambio de una unidad en el valor de X
Aqu, b1 = .10977 nos dice que el valor medio de una
casa se incrementa por 0.10977($1000) = $109.77,
en promedio, por cada ft adicional de tamao de la
casa
Chap 12-22
Predicciones mediante la
ecuacin de regresin
El precio pronosticado para el valor de una
casa con un tamao de 2000 ft:
precio casa 98.25 0.1098 (ft)

98.25 0.1098(2000)
317.85
El precio pronosticado para una casa con
un rea de 2000 ft es 317.85($1,000s) =
$317,850
Chap 12-23
Interpolacin vs. Extrapolacin

Cuando se usa un modelo de regresin para pronosticar, los
pronsticos relevantes son solamente aquellos dentro del rango de
valores observados para los datos
Rango relevante
para interpolacin
Precio casa ($1000s)
450
400
350
300
250
200
No es aconsejable extrapolar
los resultados por fuera de los
valores observados de las Xs
150
100
50
0
0
500
1000
1500
2000
2500
3000
ft
Chap 12-24
Medidas de Variacin en el modelo de

Regresin
La variacin total se subdivide en 2 partes:
SST
SSR
Suma de
cuadrados totales
Suma de cuadrados
de la regresin
SST ( Yi Y)2
Y)2
SSR ( Y
i
SSE
Suma de cuadrados
del error
)2
SSE ( Yi Y
i
donde:
= Valor medio de la variable de respuesta
Yi = Valor observado de la variable de respuesta

Y i = Valor pronosticado de Y para un valor de Xi dado
Chap 12-25
Medidas de variacin en el modelo

de regresin
(continuacin)
SST = suma de cuadrados totales
Mide la variacin de los valores observados Yi

alrededor de su media Y
SSR = suma de cuadrados de la regresin
Variacin explicada o atribuida a la relacin entre
XyY
SSE = suma de cuadrados de los errores
Variacin atribuible a otros factores diferentes a la
relacin lineal entre X y Y
Chap 12-26
Medidas de Variacin
(continuacin)
Y
Yi
SSE = (Yi - Yi )2
SST = (Yi - Y)2

_
SSR = (Yi - Y)2
_
Y
Xi
_
Y
X
Chap 12-27
Coeficiente de Determinacin, r2
El coeficiente de determinacin es la porcin
del total de la variacin en la variable de
respuesta que es explicada por la variacin en
la variable independiente
Este coeficiente tambin es llamado:
r cuadrado y se denota por r2
SSR suma de cuadrados de la regresin
r
SST
suma de cuadrados totales
2
Note que:
0 r 1
Chap 12-28
Ejemplos de valores
aproximados de r2
Y
r2 = 1
r2 = 1
El 100% de la variacin en Y
es explicada por la variacin
en X
r2
=1
Relacin lineal perfecta entre

Y y X:
Chap 12-29
Ejemplos de valores
aproximados de r2
Y
0 < r2 < 1
Relacin lineal ms dbil

entre X y Y:
No toda la variacin de Y
es explicada por la
variacin de X
X
Chap 12-30
Ejemplos de valores
aproximados de r2
r2 = 0
No existe relacin lineal

entre X y Y:
r2 = 0
Los valores de Y no
dependen de X. (La
variacin de Y NO es
explicada por la variacin
de X)
Chap 12-31
Salidas de Excel
SSR 18934.9348
r
0.58082
SST 32600.5000
2
Multiple R
0.76211
R Square
0.58082
Adjusted R Square
0.52842
Standard Error
58.08% de la variacin en los

precios de las casas es explicada
por la variacin en el tamao de
las casas medido en ft
41.33032
Observations
10
ANOVA
df
SS
MS
F
11.0848
Regression
18934.9348
18934.9348
Residual
13665.5652
1708.1957
Total
32600.5000
Coefficients
Intercept
Square Feet
Standard Error
t Stat
P-value
Significance F
0.01039
Lower 95%
Upper 95%
98.24833
58.03348
1.69296
0.12892
-35.57720
232.07386
0.10977
0.03297
3.32938
0.01039
0.03374
0.18580
Chap 12-32
Error estndar de la estimacin

La desviacin estndar de la variacin de las
observaciones alrededor de la lnea de
regresin es estimada por
n
S YX
SSE
n2
(
Y
Y
)
i i
i1
n2
Donde
SSE = suma de cuadrados del error

n = tamao de la muestra
Chap 12-33
Salida de Excel
Multiple R
0.76211
R Square
0.58082
Adjusted R Square
0.52842
Standard Error
SYX 41.33032
41.33032
Observations
10
ANOVA
df
SS
MS
F
11.0848
Regression
18934.9348
18934.9348
Residual
13665.5652
1708.1957
Total
32600.5000
Coefficients
Intercept
Square Feet
Standard Error
t Stat
P-value
Significance F
0.01039
Lower 95%
Upper 95%
98.24833
58.03348
1.69296
0.12892
-35.57720
232.07386
0.10977
0.03297
3.32938
0.01039
0.03374
0.18580
Chap 12-34
Interpretacin de los errores estndar

SYX es una medida de la variacin de los
valores observados de Y con respecto a la
lnea de regresin
Y
Y
sYX pequeo
sYX grande
La magnitud de SYX debe ser comparada con el rango de los

valores observados de Y en los datos de la muestra de forma
relativa a la lnea de regresin
Por ejemplo, SYX = $41.33K es moderadamente pequeo en
relacin a los precios de las casas en el rango de $200 - $300K
Chap 12-35
Supuestos de la regresin
Linealidad
La relacin fundamental entre X y Y debe ser lineal
Independencia de los Errores

Los valores de los Errores son estadsticamente independientes
Normalidad de los Errores

Los valores de los Errores () estan normalmente distribuidos
para cualquier valor dado de X
Igualdad de la Varianza (Homoscedasticidad)

La distribucin de probabilidad de los errores tiene varianza
constante
Chap 12-36
Anlisis de los Residuales
ei Yi Y
i
Los residuales para la observacin i, ei, es la

diferencia entre los valores observados y los
pronosticados
Chequee las suposiciones de la regresin examinando
los residuales (o errores del modelo)
Examine la suposicin de linealidad

Evalue la suposicin de independencia de los errores
Evalue la suposicin de distribucin normal de los errores
Examine La homogeneidad de la varianza para todos los
niveles de X (homoscedasticidad de los errores)
Anlisis grfico de los Residuales

Graficando los residuales vs. los valores observados de X
Chap 12-37
Anlisis de Linealidad de los

residuales
Y
No lineal
residuales
residuales
Lineal
Chap 12-38
Anlisis grfico de
Independencia de los errores
residuales
Independencia
X
residuales
residuales
No hay independencia
Chap 12-39
Anlisis grfico de Normalidad de

los residuales
Un grfico de probabilidad Normal de los
residuales puede ser usado para chequear el
supuesto de normalidad:
% 100
0
-3
-2
-1
Residuales
Chap 12-40
Anlisis grfico de los residuales

para la homoscedasticidad
Y
x
No hay homogeneidad
residuales
residuales
Hay homogeneidad
Chap 12-41
Salidas de excel para los residuales

SALIDA DE RESIDUALES
Grafico de residuales para el modelo de

precio de las casas
Residuales
251.92316
-6.923162
80
273.87671
38.12329
60
284.85348
-5.853484
40
304.06284
3.937162
218.99284
-19.99284
268.38832
-49.38832
356.20251
48.79749
-40
367.17929
-43.17929
-60
254.6674
64.33264
10
284.85348
-29.85348
Residuales
Precio casa
pronosticado
20
0
-20 0
1000
2000
3000
ft
Los residuales parecen no violar alguno de

los supuestos de regresin
Chap 12-42
Medicin de la Autocorrelacin:
El estadstico Durbin-Watson
Se utiliza cuando los datos son
recolectados en el tiempo para detectar si
la autocorrelacin est presente
Hay Autocorrelacin si los residuales para
un perodo de tiempo estn relacionados
con los residuales de otro perodo
Chap 12-43
Autocorrelacin
La Autocorrelacin es la correlacin de los
errores (residuales) en el tiempo
Aqu, los residuales
muestran un patrn de
compartamiento cclico,
no aleatorio. Patrones
cclicos son signo de
una autocorrelacin
positiva
Residuales
Tiempo (t) Grfico de Residuales
15
10
5
0
-5 0
-10
-15
Tiempo (t)
Se violan los supuestos de regresin ya que los

residuales deben ser aleatorios e independientes
Chap 12-44
El estadstico de Durbin-Watson
El estadstico de Durbin-Watson se usa para probar si
existe autocorrelacin en los errores
H0: los errores no estan correlacionados
H1: Hay correlacin positiva en los errores
El rango posible de D es 0 D 4
n
2
(
e
e
)
i i1
i 2
2
e
i
i 1
D debe estar cerca de 2 si H0 es

cierta
Si D es menor que 2 puede haber un
signo de autocorrelacin positiva, si D
es mayor que 2 puede haber un signo
de autocorrelacin negativa.
Chap 12-45
Prueba para observar si hay

Autocorrelacin positiva
H0: No hay autocorrelacin positiva
H1: Hay autocorrelacin positiva
Calcule el estadstico de prueba Durbin-Watson = D
(El estadstico Durbin-Watson puede ser calculado usando excel o
Minitab)
Encuentre los valores dL y dU de la tabla de Durbin-Watson

(Para un tamao de muestra n y un nmero de k variables independientes)
Regla de Decisin: rechace H0 si D < dL

Rechace H0
Prueba inconclusa
dL
No rechace H0
dU
2
Chap 12-46

(continuacin)
Supongase que se tienen los datos de la

siguiente serie de tiempo:
Hay autocorrelacin?
Chap 12-47

(continuacin)
Ejemplo con n = 25:

Salida de Excel/PHStat:
Clculos de Durbin-Watson
Suma de cuadrados
Diferencia de Residuales
3296.18
Suma de cuadrados
Residuales
3279.98
Estadstico
Durbin-Watson
1.00494
n
(e e
i
i 2
ei
i1
)2
3296.18
1.00494
3279.98
i1
Chap 12-48

(continuacin)
Aqu, n = 25 y hay k = 1 una variable independiente

En la tabla de Durbin-Watson, dL = 1.29 y dU = 1.45
D = 1.00494 < dL = 1.29, entonces se rechaza H0 y se
concluye que existe una autocorrelacin positiva en los
errores
Por lo tanto, el modelo lineal no es apropiado para
pronosticar las ventas
Decisin: rechace H0 porque
D = 1.00494 < dL
Rechazo H0
Inconclusa
dL=1.29
No rechazo H0
dU=1.45
2
Chap 12-49
Inferencias sobre la pendiente

El error estndar del coeficiente de la pendiente
de regresin (b1) es estimado por
S YX
Sb1
SSX
S YX
2
(X
X
)
i
donde:
Sb1
= Estimacin del error estndar de la pendiente por mnimos cuadrados
S YX
SSE
= Error estndar de la estimacin del modelo
n2
Chap 12-50
Salidas de Excel
Multiple R
0.76211
R Square
0.58082
Adjusted R Square
0.52842
Standard Error
Sb1 0.03297
41.33032
Observations
10
ANOVA
df
SS
MS
F
11.0848
Regression
18934.9348
18934.9348
Residual
13665.5652
1708.1957
Total
32600.5000
Coefficients
Intercept
Square Feet
Standard Error
t Stat
P-value
Significance F
0.01039
Lower 95%
Upper 95%
98.24833
58.03348
1.69296
0.12892
-35.57720
232.07386
0.10977
0.03297
3.32938
0.01039
0.03374
0.18580
Chap 12-51
Interpretacin del error

estndar de la pendiente
Sb1 es una medida de variacin de las pendientes de las
lneas de regresin en diferentes muestras posibles

Y
Sb1 pequo
Sb1 grande
Chap 12-52
Inferencias sobre la pendiente:

Prueba t
Prueba t test para la pendiente poblacional
Hay una relacin lineal entre X y Y?
Hiptesis Nula y Alternativa

H0: 1 = 0 (No hay relacin lineal entre X y Y)
H1: 1 0 (Si hay relacin lineal entre X y Y)
Estadstico de Prueba
b1 1
t
Sb1
g.l. n 2
donde:
b1 = coeficiente de la pendiente
de regresin
1 = Valor hipottico de la
pendiente
Sb = error estndar de la
1
pendiente
Chap 12-53

Prueba t
(continuacin)
Precio casas
en $1000s
(y)
ft
(x)
245
1400
312
1600
279
1700
308
1875
199
1100
219
1550
405
2350
324
2450
319
1425
255
1700
Ecuacin de regresin lineal simple:

precio casa 98.25 0.1098 (ft)
La pendiente de este modelo es

0.1098
Afecta el tamao en ft de la
casa su precio de venta?
Chap 12-54
Inferencias acerca de la pendiente:

Ejemplo de Prueba t
H0: 1 = 0
H1: 1 0
De las salidas de excel:

Coefficients
Intercept
Square Feet
b1
Standard Error
Sb1
t Stat
P-value
98.24833
58.03348
1.69296
0.12892
0.10977
0.03297
3.32938
0.01039
b1 1 0.10977 0
t
3.32938
t
Sb1
0.03297
Chap 12-55

Ejemplo de prueba t
(continuacin)
Estadstico de prueba: t = 3.329

H0: 1 = 0
H1: 1 0
De las salidas de excel:

Coefficients
Intercept
Square Feet
b1
Standard Error
Sb1
t Stat
P-value
98.24833
58.03348
1.69296
0.12892
0.10977
0.03297
3.32938
0.01039
g.l. = 10-2 = 8
a/2=.025
Rechace H0
a/2=.025
No rechace H0
-t/2
-2.3060
Rechace H
0
t/2
2.3060 3.329
Decisin:
Rechace H0
Conclusin:
Hay suficiente evidencia de
que el tamao de las casas
afecta su precio de venta
Chap 12-56

Ejemplo de prueba t
(continuacin)
valor-p = 0.01039
H0: 1 = 0
H1: 1 0
Valor-p
Salidas de excel:
Coefficients
Intercept
Square Feet
Esta es una prueba de 2

colas por lo tanto el valorp es
P(t > 3.329)+P(t < -3.329)

= 0.01039
(para 8 g.l.)
Standard Error
t Stat
P-value
98.24833
58.03348
1.69296
0.12892
0.10977
0.03297
3.32938
0.01039
Decisin: valor-p <

Rechace H0
Conclusin:
Hay suficiente evidencia de
que el tamao de las casas
afecta su precio de venta
Chap 12-57
Prueba F para la significancia del

modelo
Estadstico de prueba F: F MSR
MSE
donde
MSR
SSR
k
MSE
SSE
n k 1
Donde F sigue una distribucin F con k g.l. en el numerador y

(n k - 1) g.l. en el denominador
(k = es el nmero de variables independientes en el modelo)
Chap 12-58
Salida de excel
Multiple R
0.76211
R Square
0.58082
Adjusted R Square
0.52842
Standard Error
MSR 18934.9348
F
11.0848
MSE
1708.1957
41.33032
Observations
10
Con 1 y 8 grados de
libertad
Valor-p para
la prueba F
ANOVA
df
SS
MS
F
11.0848
Regression
18934.9348
18934.9348
Residual
13665.5652
1708.1957
Total
32600.5000
Coefficients
Intercept
Square Feet
Standard Error
t Stat
P-value
Significance F
0.01039
Lower 95%
Upper 95%
98.24833
58.03348
1.69296
0.12892
-35.57720
232.07386
0.10977
0.03297
3.32938
0.01039
0.03374
0.18580
Chap 12-59
Prueba F para la significancia del

modelo
(continuacin)
Estadstico de prueba:
H0: 1 = 0
H1: 1 0
a = .05
gl1= 1
gl2 = 8
MSR
F
11.08
MSE
Decisin:
Rechace H0 a un nivel
a = 0.05
Valor
crtico:
Fa = 5.32
Conclusin:
a = .05
No rechace H0
RechaceH0
F.05 = 5.32
Hay evidencia suficiente de que

el tamao de las casas afecta
su precio de venta
Chap 12-60
Intervalo de confianza para la

estimacin de la pendiente
Intervalo de confianza para la estimacin de
la pendiente:
b1 t n2Sb1
g.l. = n - 2
Salida de Excel para los precios de las casas:

Intercept
Square Feet
Coefficients
Standard Error
t Stat
P-value
98.24833
0.10977
Lower 95%
Upper 95%
58.03348
1.69296
0.12892
-35.57720
232.07386
0.03297
3.32938
0.01039
0.03374
0.18580
A un 95% de confiabilidad, el intervalo de confianza para

la pendiente es (0.0337, 0.1858)
Chap 12-61
Estimacin del intervalo de

confianza para la pendiente
(continuacin)
Intercept
Square Feet
Coefficients
Standard Error
t Stat
P-value
98.24833
0.10977
Lower 95%
Upper 95%
58.03348
1.69296
0.12892
-35.57720
232.07386
0.03297
3.32938
0.01039
0.03374
0.18580
Puesto que las unidades de la variable precio de

las casas son en US$1000s, se tiene una
confiabilidad del 95% de que el impacto promedio
sobre el precio de venta se encuentra entre
$33.70 and $185.80 por cada ft de tamao de la
casa
Este intervalo del 95% de confianza no incluye el cero (0).
Conclusin: Hay una relacin estadsticamente significativa
entre el precio de las casas y su tamao en ft a un nivel
de significancia de 0.05
Chap 12-62
Prueba t para el coeficiente de

Correlacin
Hiptesis
H0: = 0
H1: 0
(No hay correlacin entre X and Y)

(Existe la correlacin)
Estadstico de prueba:
r -
1 r
n2
(con n 2 grados de libertad)
donde
r r 2 si b1 0
r r 2 si b1 0
Chap 12-63
Ejemplo: Precio de las casas

Hay evidencia de una relacin lineal entre
el tamao de las casas medido en ft y el
precio de las casas a un nivel de
significancia de 0.05?
H0: = 0
H1: 0
(No hay correlacin)

(Existe correlacin)
a =.05 , gl = 10 - 2 = 8
r
1 r 2
n2
.762 0
1 .7622
10 2
3.329
Chap 12-64
Ejemplo: solucin a la prueba

t
r
1 r 2
n2
.762 0
1 .7622
10 2
3.329
Conclusin:
Hay evidencia de
una asociacin
lineal a un nivel
de significancia
del 5%
g.l. = 10-2 = 8
a/2=.025
Rechace H0
-t/2
-2.3060
a/2=.025
No rechace H0
Decisin:
Rechace H0
Rechace H0
t/2
2.3060
3.329
Chap 12-65
Estimacin del valor medio de Y y del

valor pronosticado para valores
individuales de Y
Intervalo de
confianza
para la
media de Y,
dado un Xi
Objetivo: construir intervalos alrededor de Y

para expresar la incertidumbre acerca del
valor de Y para un Xi dado
Y = b0+b1Xi
Intervalo de
prediccin para un
valor individual Y,
dado un Xi
Xi
X
Chap 12-66
Intervalo de confianza para el

promedio de Y, Dado un X
La estimacin del intervalo de confianza para
la media de Y dado un valor particular de Xi
Intervalo de confianza para Y|X Xi :

Y t n 2SYX hi
El tamao del intervalo vara de
acuerdo con las distancias
alrededor de la media X
1 (Xi X)2 1
(Xi X)2
hi

n
SSX
n (Xi X)2
Chap 12-67
Intervalo de prediccin para un

valor individual de Y, Dado un X
Estimacin del intervalo de confianza para un
Valor individual de Y dado un Xi
Intervalo de confianza para YX Xi :

Y tn 2SYX 1 hi
Este trmino extra sumado al ancho del intervalo

refleja la adicin de incertidumbre para el caso de
un valor individual de Y
Chap 12-68
Estimacin de los valores

medios: Ejemplo
Estimacin del intervalo de confianza para Y|X=X
Encuentre el intervalo de confianza del 95% para la

media del precio de venta de las casas cuando
tienen un tamao de 2,000 ft
Precio pronosticado Yi = 317.85 ($1,000s)
t S
Y
n- 2 YX
1
(Xi X)2
317.85 37.12
2
n (Xi X)
El intervalo de confianza est entre 280.66 y 354.90, o lo

que es lo mismo, de $280,660 a $354,900
Chap 12-69
Estimacin de los valores

individuales de Y: Ejemplo
Estimacin de intervalo de prediccin para YX=X
i
Encuentre el intervalo de prediccin del 95% para un valor

individual de una casa que tiene un tamao de 2,000 ft
Precio pronosticado Yi = 317.85 ($1,000s)
t S
Y
n - 2 YX
1
(Xi X) 2
1
317.85 102.28
2
n (Xi X)
El intervalo de prediccin est entre 215.50 y 420.07, o

lo que es lo mismo de $215,500 a $420,070
Chap 12-70
Clculo de los intervalos de confianza y

de prediccin usando Excel
En Excel, use
PHStat | regression | simple linear regression
Active el comando de
intervalos de confianza y prediccin para X=
en la caja de dilogo correspondiente y entre el
valor de X y el nivel de confianza deseado
Chap 12-71
Clculo de los intervalos de

confianza y prediccin en Excel
(continuacin)
Valores de entrada
Y
Intervalo de confianza para Y|X=Xi
Intervalo de prediccin para YX=Xi
Chap 12-72
Dificultades en el anlisis de
regresin
Incumplimiento de alguno de los supuestos del modelo
de regresin
Desconocimiento de cmo evaluar los supuestos
Desconocimiento de las alternativas a los modelos de
regresin por mnimos cuadrados cuando alguno de los
supuestos es violado
Utilizar un modelo de regresin sin el conocimiento del
tema
Utilizar el modelo encontrado para pronosticar valores
por fuera del rango de los valores observados
Chap 12-73
Estrategias para evitar las

dificultades de la regresin
Comience con un diagrama de dispersin
de X vs. Y para observar posibles relaciones
Desarrolle el anlisis de los residuales para
verificar los supuestos del modelo
Grafique los residuales vs. X para verificar si se
viola alguno de los supuestos del modelo de
regresin como por ejemplo la
homoscedasticidad
Verifique el supuesto de normalidad de los
errores.
Chap 12-74
Estrategias para evitar las

dificultades de la regresin
(continuacin)
Si hay violacin de alguno de los supuestos,

utilice modelos de mtodos alternativos
Si no hay evidencia de violacin de alguno de
los supuestos, entonces aplique las pruebas de
significancia del modelo y de los coeficientes de
regresin y construya los intervalos de
confianza y de prediccin para la media y los
valores individuales de Y
Evite utilizar el modelo para hacer pronsticos
fuera del rango de los valores observados
Chap 12-75
Resumen del Captulo

Se introdujeron los tipos de modelos de regresin.
Se revisaron los supuestos de la regresin y correlacin
Se discuti la determinacin de la ecuacin de la
regresin lineal simple
Se describieron las medidas de variacin del modelo de
regresin
Se discuti el anlisis de los residuales
Se discuti una medicin de la autocorrelacin de los
errores.
Chap 12-76
Resumen del Captulo

(continuacin)
Se describi la inferencia sobre la pendiente

del modelo de regresin
Se present la correlacin como una medida de
la fuerza de asociacin
Se introdujeron las estimaciones por intervalo
de los valores de la media de Y y de los valores
individuales de Y
Se discutieron las posibles dificultades del
modelo de regresin y se recomendaron
estrategias para evitarlas
Chap 12-77

CAP12 Regresion Lineal Simple

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

CAP12 Regresion Lineal Simple

Cargado por

Copyright:

Formatos disponibles

Estadstica para Administracin

Business Statistics, A First Course (4e) 2006 Prentice-Hall, Inc.

Correlacin vs. Regresin

Una alta correlacin no implica una relacin de

Variable Dependiente o de respuesta: la variable

Modelo de Regresin Lineal

Business Statistics, A First Course (4e) 2006 Prentice-Hall, Inc.

Tipos de relacin entre Y y X

Tipos de relacin entre Y y X

Tipos de relacin entre Y y X

Modelo de Regresin Lineal

Business Statistics, A First Course (4e) 2006 Prentice-Hall, Inc.

Modelo de Regresin Lineal

Ecuacin de Regresin Lineal

Los valores individuales de los trminos de error

Mtodo de Mnimos Cuadrados

min (Yi Yi ) min (Yi (b0 b1Xi ))

Business Statistics, A First Course (4e) 2006 Prentice-Hall, Inc.

Business Statistics, A First Course (4e) 2006 Prentice-Hall, Inc.

Interpretacin de la Pendiente y del

Ejemplo de una Regresin

Business Statistics, A First Course (4e) 2006 Prentice-Hall, Inc.

Datos muestrales para el modelo del

Tamao de las casas ft

Business Statistics, A First Course (4e) 2006 Prentice-Hall, Inc.

Precio casas ($1000s)

Modelo para el precio de las

Business Statistics, A First Course (4e) 2006 Prentice-Hall, Inc.

Herramientas para el modelo

Business Statistics, A First Course (4e) 2006 Prentice-Hall, Inc.

La ecuacin de regresin es:

Business Statistics, A First Course (4e) 2006 Prentice-Hall, Inc.

Grfico del modelo

precio casas 98.24833 0.10977 (ft)

Interpretacin del intercepto, b0

b1 mide la estimacin del cambio en el

precio casa 98.25 0.1098 (ft)

Interpolacin vs. Extrapolacin

Precio casa ($1000s)

Medidas de Variacin en el modelo de

= Valor medio de la variable de respuesta

Yi = Valor observado de la variable de respuesta

Medidas de variacin en el modelo

Mide la variacin de los valores observados Yi

Business Statistics, A First Course (4e) 2006 Prentice-Hall, Inc.

SST = (Yi - Y)2

Business Statistics, A First Course (4e) 2006 Prentice-Hall, Inc.

Relacin lineal perfecta entre

Business Statistics, A First Course (4e) 2006 Prentice-Hall, Inc.

Relacin lineal ms dbil

No existe relacin lineal

Business Statistics, A First Course (4e) 2006 Prentice-Hall, Inc.

58.08% de la variacin en los

Business Statistics, A First Course (4e) 2006 Prentice-Hall, Inc.

Error estndar de la estimacin

SSE = suma de cuadrados del error

Business Statistics, A First Course (4e) 2006 Prentice-Hall, Inc.

Business Statistics, A First Course (4e) 2006 Prentice-Hall, Inc.

Interpretacin de los errores estndar

La magnitud de SYX debe ser comparada con el rango de los

Independencia de los Errores

Normalidad de los Errores

Igualdad de la Varianza (Homoscedasticidad)

Business Statistics, A First Course (4e) 2006 Prentice-Hall, Inc.