Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Lineal
Módulo12
Probabilidad y Estadística
2019 - 2
Videoconferencia 13
Tema: Análisis de Regresión Lineal
ÍNDICE
Temario
Introducción al tema
Conclusiones
Consultas
OBJETIVO
TEMARIO
1. Introducción
4. Predicciones
5. Ejemplos
6. Conclusiones
Tema: Análisis de Regresión Lineal
1. Introducción
Un modelo de regresión es un modelo que permite describir como influye una variable X
sobre otra variable Y
Ejemplos:
❑ Estudiar como influye la estatura del padre sobre la estatura del hijo.
Este tipo de regresión se utiliza cuando existe solo una variable independiente X para una
variable dependiente Y. Está definida por la siguiente ecuación lineal en su forma general:
Donde:
𝑌 = 𝑏0 + 𝑏1 𝑋𝑖 + ℯ
Y: Es la variable respuesta o la predicción de la variable Y dado un valor X
𝓮 : Es el error de predicción
Tema: Análisis de Regresión Lineal
2. Diagrama de dispersión
Es una gráfica en la que cada punto representa un par de valores observados (xi,yi)
de las variables dependientes e independientes.
1 ≤ 𝐷𝑊 ≤ 3
Tema: Análisis de Regresión Lineal
0 + 𝛽
𝑌 = 𝛽 1 + 𝑒
0
𝛽 Intercepto con el eje. Es el valor de Y que se obtiene cuando x = 0
:
1 : Pendiente de la recta. Mide el cambio que se producirá en la variable.
𝛽
5. Prueba de independencia
Validar el coeficiente de regresión
Hipótesis
𝐻0 :
𝛽0 = 0 (No existe relación lineal entre X e Y)
𝐻1 :
𝛽1 ≠ 0 (Existe relación lineal entre X e Y)
Estadístico de prueba:
(-) INVERSA
(+) DIRECTA
Tema: Análisis de Regresión Lineal
C. Coeficiente de Determinación
El coeficiente de determinación, también llamado R cuadrado, refleja la bondad del
ajuste de un modelo a la variable que pretende explicar.
Cuanto más cerca de 1 se sitúe su valor, mayor será el ajuste del modelo a la variable
que estamos intentando explicar.
De forma inversa, cuanto más cerca de cero, menos ajuste estará el modelo y, por lo
tanto, menos fiable será.
σ 𝑖 (
𝑌𝑖 − ത
𝑌) 2
𝑅2 =
σ𝑖(𝑌𝑖 − 𝑌) ത 2
0 ≤ 𝑅2 ≤ 1
Para probar la autocorrelación positiva con nivel de significancia α, la estadística de prueba d se
compara con los valores críticos inferiores y superiores (dL,α and dU,α):
• Si d < dL,α, existe evidencia estadística de que los términos de error estén autocorrelacionados
positivamente.
• Si d > dU,α, no hay evidencia estadística de que los términos de error estén autocorrelacionados
positivamente.
• Si dL,α < d < dU,α, la prueba no es concluyente.
Correlación serial positiva es la correlación en serie en la que un error positivo para una
observación aumenta las posibilidades de un error positivo para otra observación.
Para probar la autocorrelación negativa con nivel de significancia α, la estadística de prueba (4 - d)
se compara con los valores críticos inferior y superior (dL,α and dU,α):
• Si (4 − d) < dL,α, existe evidencia estadística de que los términos de error se autocorrelacionados
negativamente.
• Si (4 − d) > dU,α, no hay evidencia estadística de que los términos de error se
autocorrelacionados negativamente.
• Si dL,α < (4 − d) < dU,α, la prueba no es concluyente.
Correlación serial negativa implica que un error positivo para una observación aumenta la
probabilidad de un error negativo para otra observación y un error negativo para uno aumenta las
posibilidades de un error positivo para otra observación.
Tema: Análisis de Regresión Lineal
. Ejemplo de aplicación
La empresa Blamy llevó a cabo un estudio para determinar la relación entre el número de
años de experiencia (X) y el salario mensual, en cientos de soles (Y) entre los accionistas de
cierta ciudad. Para ello, se tomó una muestra aleatoria de 16 accionistas y se obtuvieron los
siguientes datos:
Experiencia 13 16 30 2 8 6 20 1 4 10 27 31 19 7 15 25
Salario 41.76 53.12 57.76 26.40 42.24 30.56 58.40 27.04 31.68 39.36 57.60 58.24 54.08 34.24 49.60 58.40
CONCLUSIONES
CONSULTAS