Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CONTENIDO TEMTICO
PRIMERA UNIDAD
Introduccin al Muestreo
Distribuciones Muestrales
Inferencia Estadstica: Teoremas del Lmite
SEGUNDA UNIDAD
Inferencia Estadstica: Estimacin Puntual de un parmetro de una
poblacin.
Inferencia Estadstica: Intervalos de confianza de los parmetros de
una poblacin. ( 1era Evaluacin Domingo 25 de Junio)
TERCERA UNIDAD
Inferencia Estadstica: Contrastes de hiptesis paramtricos.
Contrastes no paramtricos: Bondad de ajuste, Independencia y
Homogeneidad.
CUARTA UNIDAD
Anlisis de varianza y Anlisis de Regresin. (2da Evaluacin
Domingo 09 de Julio) Mgt. Guillermo Paucar Carlos
Mgt. Guillermo Paucar C.
PRUEBAS PARAMTRICAS
ANLISIS
DE
VARIANZA
Y
COVARIANZA
SUPUESTOS :
Las muestras son aleatorias
Las muestras son independientes
La distribucin de la poblacin de donde fueron
extradas es Normal
Las varianzas son iguales en cada grupo o nivel de
factores considerados
08/07/2017 Guillermo Paucar C.
ANLISIS DE VARIANZA
REGRESIN
LINEAL SIMPLE
Y m( X 1 , X 2 ,..., X n )
Y m ( X 1 , X 2 ,..., X n )
m ( x1 , x 2 ,..., x n ) E (Y / X i x1 , x 2 ,..., x k )
Esto permite tener una idea general del comportamiento de la
variable respuesta en funcin de las regresoras.
x y x y x y x y x y x y
77 84 102 88 13 146 116 155 112 96 91 85
137 116 91 104 115 128 102 101 113 144 100 120
117 123 104 129 105 115 111 118 110 139 76 60
94 128 107 86 87 79 93 113 125 113 66 51
88
08/07/2017
104 16 Profesor: Guillermo Paucar C
ANLISIS DE REGRESIN
MODELO DE REGRESIN LINEAL
SIMPLE
FORMULACIN MATEMTICA DEL
MODELO
Yi 0 1 x i i
Por tanto, es un modelo de regresin parmtrico de diseo fijo. En
forma matricial
08/07/2017 17 Profesor: Guillermo Paucar C
ANLISIS DE REGRESIN
SUPUESTOS DE LA REGRESIN
LINEAL
Se supone que se verifican las siguientes hiptesis:
1. La funcin de regresin es lineal,
m ( xi ) E (Y / xi ) 0 1 xi , i 1, 2,..., n
E ( i ) 0, i 1, 2,..., n
2. La varianza es constante (homocedasticidad),
Var (Y / xi ) 2 , i 1, 2,..., n
Var ( i ) 2 , i 1, 2,..., n
08/07/2017 18 Profesor: Guillermo Paucar C
ANLISIS DE REGRESIN
3. La distribucin es normal,
Y / xi N ( 0 1 xi , 2 ), i 1, 2,..., n
i N ( 0, 2 ), i 1, 2,..., n
Cov (Yi , Y j ) 0, i j.
Cov ( i , j ) 0, i j
08/07/2017 19 Profesor: Guillermo Paucar C
ANLISIS DE REGRESIN
ESTIMACIN DE LOS
PARMETROS DEL MODELO
En el modelo de regresin lineal simple hay tres parmetros que se
deben estimar:
0 ,1 y 2
y x
A la recta que relaciona X e Y se le llama recta de regresin y nos
describe cmo vara la media de una variable (dependiente) en
funcin de la otra (independiente)
DIAGRAMA DE DISPERSIN
ESTIMACIN DE PARAMETROS
MTODO MNIMOS CUADRADOS
y x
donde:
y es el valor de y pronosticado por el modelo para un valor de x.
El modelo de la regresin lineal simple en trminos de la muestra
aleatoria ( x 1 , y 1 ),..., ( x n , y n ) , es entonces:
y i x i i , i 1 , 2 ,..., n
SCE SCE
0, 0
n n
n
i 1
x i
i 1
y i
n n n
a
i 1
x i x i x
i 1
2
i 1
i y i
xiy i n x y
,
2 2
x i n x
y x
julio de 2017 26 Mgt.Guillermo Paucar C.
ANLISIS DE REGRESIN
OBSERVACIN:
xiy i n x y
COV ( X ,Y )
S XY
2 2 2
x i
2
n x S X S X
S
y x y XY
2
x
S X
S XX S 2
x i2
nx
2
S YY S 2
y i2
ny
2
X Y
n n
SCE i i
2
2 ( y y )
SR , var ianza residual
n2 n2
julio de 2017 27 Mgt.Guillermo Paucar C.
ANLISIS DE REGRESIN
INTERPRETACIN DE LOS PARMETROS
ESTIMADOS
y x
: Es la ordenada en el origen
: Es la variacin promedio en Y
cuando X cambiauna unidad
julio de 2017 28 Mgt.Guillermo Paucar C.
ANLISIS DE REGRESIN
CORRELACIN Y COEFICIENTE DE
DETERMINACIN
COEFICIENTE DE CORRELACIN
S S
r r xy XY
XY
S X S Y S 2
X S Y
2
y i y
Como indicativo del error cometido cuando carecemos de la informacin
proporcionada por el modelo y lo definimos como desviacin total
respecto a la media para un determinado sujeto, entonces el valor:
y i y
Har referencia a la parte que de la desviacin total explica el modelo de
regresin. Se denomina desviacin explicada por el modelo de regresin.
Queda entonces, un resto:
y i y i
( y i y ) ( y i y ) ( y i y i )
DESVIACIN DESVIACIN DESVIACIN NO
TOTAL EXPLICADA EXPLICADA
2 2 2
( yi y) ( yi y) ( yi yi ) 2( yi y)(yi yi )
Si se cumple esta igualdad para cada uno de los sujetos, se cumplir
igualmente para la suma de todos ellos. As pues:
( y i y ) ( y i y ) ( y i y i ) 2 ( y i y )( y i y i )
2 2
2
n n n n
i
(
i1
y y)2
i
( y
y)2
i1
i i 2 (yi y)(yi yi )
( y y
)2
i1 i1
n
Donde: 2 ( yi y)(yi yi ) 0
i 1
2
( y i y ) 2
R i 1
n
i 1
( y i y ) 2
n n n
( xi)2
2
( y i y ) 2 2
(xi x)2 2 ( x i2 i1
n
)
R i1
n
n
i1
i1
n
(yi y) 2
(yi y) 2
n
( yi)2
i1 i1
i1
y i
2
i1
n
n
2
( y i y ) 2
2 nS 2
2 S 2
R i1
n
2
X
2
X
nS S
i1
( yi y)2 Y Y
2
0 R 1
julio de 2017 36 Mgt.Guillermo Paucar C.
MODELOS LINEALES
PROPIEDADES DE LOS ESTIMADORES
1. De la primera ecuacin cannica se deduce que la recta de
regresin pasa por el punto (x, y) que es el centro geomtrico de
la nube de datos.
ns X2 .Esto es, 1 N ( 1 , 2 )
ns X
08/07/2017 37 Profesor: Guillermo Paucar C
MODELOS LINEALES
4. Por tanto la Var ( 1 )
Disminuye al aumentar n,
Disminuye al aumentar s X2
Disminuye al disminuir
2
tabla de ANOVA
POR LA n
scE
RECTA scE
i 1
( y i y ) 2 1 s 2
1
RESIDUAL n
scR
scR ( y i y i ) 2 n2 s R2
i 1 n2
GLOBAL n
scG
scG
i 1
( yi y)2 n 1 s Y2
n 1
Recta k
scE
scE i 1
n i ( y i y i ) 2 1 S e2
1
scR(1) k
scR (1 )
scR (1) ni ( y i . y i ) 2 k 2 S R2 ,1
i 1
k 2
scR(2) k ni
scR ( 2 )
scR ( 2 )
i 1 j 1
( y ij y i . ) 2 nk S R2 , 2
nk
scR k ni
n2 scR
scR ( y ij y i ) 2 S R2
i 1 j 1
n2
Global n
scG
Global i 1
( yi y)2 k 1 S Y2
n 1
08/07/2017 48 Profesor: Guillermo Paucar C
MODELOS LINEALES
Es decir:
LA HIPTESIS DE INDEPENDENCIA
La hiptesis de que las observaciones muestrales son
independientes es una hiptesis bsica en el estudio de
los modelos de regresin lineal. Con ello se entiende que
n
los errores i = 1 son variables aleatorias independientes.
La falta de independencia, se produce fundamentalmente
cuando se trabaja con variables aleatorias que se observan
a lo largo del tiempo, esto es, cuando se trabaja con series
temporales. Por ello, una primera medida para tratar de
evitar la dependencia de las observaciones consiste en
aleatorizar la recogida muestral.