sábado, 13 de febrero de 2021

REGRESIÓN LINEAL SIMPLE

EJEMPLO: el gerente de personal de una empresa estudia la relación entre los gastos
y salarios de su personal obrero. Una muestra revelo los siguientes datos en dólares
por semana

Salarios 28 25 35 40 45 50 50 35 70 80
Gastos 25 20 32 37 40 40 45 30 55 60

elaborar el diagrama de dispersión

Determine la línea de regresión utilizando el método de mínimos cuadrados e

interpretar

Salario (X) Gastos (Y) XY XX YY

28 25 700 784 625
25 20 500 625 400
35 32 1120 1225 1024
40 37 1480 1600 1369
45 40 1800 2025 1600
50 40 2000 2500 1600
50 45 2250 2500 2025
35 30 1050 1225 900
70 55 3850 4900 3025
80 60 4800 6400 3600
458 384 19550 23784 16168

Nueva sección 1 página 1

¿Cuál es el error estándar de estimación?

Salario (X) Gastos (Y) Ye estimado Residual (Y-Ye)

28 25 25.962 -0.962
25 20 23.865 -3.865
35 32 30.855 1.145
40 37 34.35 2.65
45 40 37.845 2.155
50 40 41.34 -1.34
50 45 41.34 3.66
35 30 30.855 -0.855
70 55 55.32 -0.32
80 60 62.31 -2.31
458 384

Intervalo de confianza para BETA

Nueva sección 1 página 2

 Intervalo de confianza para BETA

Desarrolle un intervalo para el parámetro beta con un nivel de confianza de 0.95 ¿se
concluye que beta es diferente de cero?

Prueba de hipótesis
Desarrolle una prueba de hipótesis para el parámetro BETA, con un riesgo de 5%

Nueva sección 1 página 3

Intervalos de estimación

Determine un intervalo de estimación cuando X=85 al 95% de confianza

Intervalo de predicción

Nueva sección 1 página 4

EJEMPLO: Un comerciante al menudeo, lleva a cabo un estudio para
determinar una ecuación que estime sus ventas semanales en función de los
gastos semanales de publicidad con el propósito de predecir sus ventas para
algún gasto en particular. Selecciona al azar 12 semanas y registran los
siguientes datos:

Gastos de publicidad ($) Ventas ($)

40 500
20 400
25 395
20 365
30 475
50 510
40 490
20 420
50 560
40 525
25 420
50 525

ANÁLISIS DE REGRESIÓN MÚLTIPLE Y

CORRELACIÓN
Podemos utilizar más de una variable independiente para estimar la variable
dependiente e intentar, de esta manera, aumentar la precisión de la estimación. Este
proceso se conoce como análisis de regresión múltiple y correlación. Está basado en
las mismas suposiciones y procedimientos que encontramos al utilizar la regresión
simple.

La principal ventaja de la regresión múltiple es que nos permite utilizar más información
disponible para estimar la variable dependiente. En algunas ocasiones, la correlación
entre dos variables puede resultar insuficiente para determinar una ecuación de
estimación confiable; sin embargo, si agregamos los datos de más variables
independientes, podemos determinar una ecuación de estimación que describa la
relación con mayor precisión.

Además, en la regresión múltiple podemos observar cada una de las variables

independientes y probar si contribuyen de manera significativa a la forma en que la
regresión describe los datos.

Nueva sección 1 página 5

En la regresión simple, la ecuación de estimación describe la relación entre
las dos variables y . En regresión múltiple, debemos extender esa ecuación,
agregando un término para cada nueva variable.

Se trata de una forma o figura tridimensional, con profundidad, largo y ancho. Nuestro
problema consiste en decidir cuál de los planos que podemos dibujar será el que mejor
se ajuste. Para hacer esto, de nuevo utilizaremos el criterio de mínimos cuadrados y
localizaremos el plano que minimice la suma de los cuadrados de los errores, es decir,
de las distancias de los puntos alrededor del plano a los puntos correspondientes sobre
el plano. Usaremos las siguientes tres ecuaciones para determinar los valores de las
constantes numéricas y

Ejemplo: El Servicio Interno de Contribuciones (IRS, Internal Revenue Service) de

una ciudad está tratando de estimar la cantidad mensual de impuestos no pagados
descubiertos por su departamento de auditorías. En el pasado, el IRS estimaba esta
cantidad con base en el número esperado de horas de trabajo de auditorías de

Nueva sección 1 página 6

cantidad con base en el número esperado de horas de trabajo de auditorías de
campo. En los últimos años, sin embargo, las horas de trabajo de auditorías de
campo se han convertido en un pronosticador errático de los impuestos no pagados
reales. Como resultado, la dependencia está buscando otro factor para mejorar la
ecuación de estimación. El departamento de auditorías tiene un registro del número
de horas que usa sus computadoras para detectar impuestos no pagados.
¿Podríamos combinar esta información con los datos referentes a las horas de
trabajo de auditorías de campo y obtener una ecuación de estimación más precisa
para los impuestos no pagados descubiertos cada mes? En la siguiente tabla se
presentan esos datos para los últimos 10 meses.

Y X1 X2 Y*X1 X1*X1 X1*X2 Y*X2 X2*X2

29 45 16 1305 2025 720 464 256
24 42 14 1008 1764 588 336 196
27 44 15 1188 1936 660 405 225
25 45 13 1125 2025 585 325 169
26 43 13 1118 1849 559 338 169
28 46 14 1288 2116 644 392 196
30 44 16 1320 1936 704 480 256
28 45 16 1260 2025 720 448 256
28 44 15 1232 1936 660 420 225
27 43 15 1161 1849 645 405 225
272 441 147 12005 19461 6485 4013 2173

Nueva sección 1 página 7

Nueva sección 1 página 8