Está en la página 1de 6

Alumno: Miguel Angel Torres Rodríguez

Regresión lineal
En estadística la regresión lineal o ajuste lineal es un modelo matemático usado para
aproximar la relación de dependencia entre una variable dependiente Y, las variables
independientes Xi y un término aleatorio ε. Este modelo puede ser expresado como:

El modelo de pronóstico de regresión lineal permite hallar el valor esperado de una


variable aleatoria a cuando b toma un valor específico. La aplicación de este método
implica un supuesto de linealidad cuando la demanda presenta un comportamiento
creciente o decreciente, por tal razón, se hace indispensable que previo a la selección
de este método exista un análisis de regresión que determine la intensidad de las
relaciones entre las variables que componen el modelo.

Regresión lineal Simple


El objetivo de un modelo de regresión es tratar de explicar la relación que existe entre
una variable dependiente (variable respuesta) Y un conjunto de variables independientes
(variables explicativas) X1,..., Xn. En un modelo de regresión lineal simple tratamos de
explicar la relación que existe entre la variable respuesta Y y una única variable
explicativa X.
El modelo de regresión lineal simple tiene la siguiente expresión:

En donde  es la ordenada en el origen (el valor que toma Y cuando X vale 0),  es la
pendiente de la recta (e indica cómo cambia Y al incrementar X en una unidad) y  una
variable que incluye un conjunto grande de factores, cada uno de los cuales influye en
la respuesta sólo en pequeña magnitud, a la que llamaremos error. X e Y son variables
aleatorias, por lo que no se puede establecer una relación lineal exacta entre ellas.

Pruebas de Hipótesis
Es un procedimiento estadístico que permite aceptar o rechazar una afirmación hecha
con respecto a un fenómeno o suceso. El procedimiento consta de seis pasos

Alumno: Miguel Angel Torres Rodríguez


Hipótesis estadísticas derivadas
Se les denomina así a los supuestos (hipótesis) realizados con respecto a un
parámetro o estadístico (media, proporción, entre otros).
En este paso se definen dos tipos de hipótesis:

 Ho: Hipótesis nula


 H1: Hipótesis alterna (de la cual se sospecha pudiera ser cierta, es planteada por el
investigador)

Nivel de significancia (α)


Se le conoce así al error máximo adoptado al momento de rechazar la hipótesis nula
(Ho) cuando es verdadera.
Dependiendo del tipo de significación que se da al estudio, hay tres grados:

 α = 0.01 → Demasiado significativo


 α = 0.05 → Significativo
 α = 0.10 → Poco significativo

Región de aceptación y rechazo

Valor de la distribución 'Z' o 't'


En este paso se procede a ubicar el intervalo de confianza para su próxima colocación
en el gráfico de "aceptación y rechazo".
Hay dos formas de encontrar dicho valor: mediante la tabla " Z " o la tabla " t ".
Para definir cuál es la tabla en la que se buscará la información, se debe de considerar
el número de datos con los que se cuenta.

 Si la cantidad de datos sobrepasa o es igual a 30, se usará la tabla " Z "


 Si la cantidad de datos son menores a 30, se usará la tabla " t ".

Estadística de prueba 'Z' o 't'


Para muestras mayores o igual a 30

Alumno: Miguel Angel Torres Rodríguez


Para muestras menores a 30

Decisión
Decidir si se acepta o se rechaza la hipótesis según sea el caso

Calidad del Ajuste


La calidad del ajuste de una regresión lineal simple, permite verificar la calidad con la
que el modelo planteado permite hacer estimaciones. Se necesita conocer qué tanta
variabilidad en Y fue explicada por el modelo, si se cumplen los supuestos de
normalidad en los residuos y si la variación no tiene ningún patrón fuera de lo usual.
Un primer criterio para evaluar la calidad del ajuste es observar la forma en que el
modelo se ajustó a los datos. En el caso de la regresión lineal simple esto se distingue
al observar si los puntos tienden a ajustarse razonablemente bien a la línea recta
Entre los criterios que utilizamos para la evaluación de la calidad del ajuste, se
encuentran:
 Coeficiente de determinación
 Coeficiente de Correlación
 Error estándar de la estimación
 Análisis grafico de los residuos

Estimación y Producción
Una de las aplicaciones más importantes en un análisis de regresión es hacer
estimaciones de la respuesta media para un valor dado de X. En el caso particular de la
regresión lineal simple, sabemos que un estimador puntual de la respuesta media lo da
la recta de regresión:

Alumno: Miguel Angel Torres Rodríguez


Además de esto, en ocasiones es de interés obtener una estimación por intervalos
para Y(sombrero) a partir de cualquier valor de X, para lo cual aplicamos la siguiente
ecuación:

A este intervalo se le conoce como intervalo para la recta de regresión.

Alumno: Miguel Angel Torres Rodríguez


Referencias Bibliográficas
 Ferrero Rosana (2009). Estadística Aplicada. Disponible en
http://statisticalecology.blogspot.com/2009/09/regresion-lineal-simple-simple.html
 Jiménez Raúl (2012).Estadística Inferencial 2. Disponible en
http://www.academia.edu/8137314/Estad%C3%ADstica_Inferencial_II
 USC (2012).Regresión Lineal Simple. Disponible en
http://eio.usc.es/eipc1/BASE/BASEMASTER/FORMULARIOS-PHP-
DPTO/MATERIALES/Mat_50140116_Regr_%20simple_2011_12.pdf
 USC (2012).Prueba de Hipótesis. Disponible en
https://es.wikiversity.org/wiki/Prueba_de_hip%C3%B3tesis_(estad%C3%ADstica)

Alumno: Miguel Angel Torres Rodríguez