Nombre: Daniel Villalobos Cazares Matrícula:

Nombre del curso: Estadística II Nombre del profesor: Alejandro

Salazar Guerrero

Unidad: 2 Actividad: Participación en el

foro

Fecha: 9 de Mayo 2021

Bibliografía:

Menciona el concepto de regresión lineal

Se parte del concepto de esperanza condicional: E( y∨X =x)
Se asume que en promedio los valores de y al fijar x se describen por una

recta: E ( y|X =x )=β 0+ β1 x s

Se asume también que los datos no caen exactamente sobre una recta
entonces se considera un error aleatorio calculado a partir del valor

observado y el valor de predicción ε = y−( β 0+ β1 x s …)

Entonces la ecuación queda como: y=¿ β 0 + β 1 x s +ε

Investiga alguna aplicación del modelo de regresión

Una aplicación del modelo de Regresión lineal es prácticas econométricas
para estudiar por ejemplo los efectos resultantes de desarrollar
políticas económicas

Escribe un ejemplo de modelo de regresión lineal

Sea:
y=ingreso promedio
x 1 = impuestos
β 0 = ordenada en el origen
β 1 = coeficiente asociado a x1

Entonces el ejemplo es:

y=β 0 + β 1 x 1
Básicamente
Este modelo explica el cambio en la variable ingresos respecto a un
cambio en la variable impuestos
Describe la estimación por mínimos cuadrados
Se parte de tener n pares de datos obtenidos de manera experimental
Entonces se sugiera una relación lineal y se plantea la siguiente
expresión
y 1=β 0 + β 0 x 1 +ε
Se asume que el denominado residuo es la distancia vertical desde el par
definido de manera experimental a la recta ajustada
Se establece como criterio que la diferencia entre las observaciones de Y
y Y^ es mínima para esto se considera la minimización de la suma de los
cuadrados de los residuos
Para tomar logra la minimización se toma el criterio de la primera
derivada usando derivas parciales para mediante operaciones algebraicas
obtener los coeficientes asociados a las variables tales que la suma de
los cuadrados sea la mínima

Explica el principio de máxima verosimilitud

Partiendo de la hipótesis de que ε N (0 ,σ 2) se tiene que y i=β 0 + β 0 x 1 +ε
También tiene una distribución normal

y i N (β 0+ β1 x1 , σ 2 )
De la estimación del coeficiente asociado a la variable regresora se
concluye que son iguales a los estimados por el mínimos cuadrados sin
embargo este estimador a diferencia del de mínimos es sesgado ya que
trabaja con el error estándar de la regresión

Describe el concepto de intervalo de confianza

Siempre que trabajemos con muestras representativas de una población los
coeficientes asociados a cada variable y la intersección en el origen
resultado de la regresión lineal pueden variar respecto a los
coeficientes reales de la población, estas variaciones están alrededor
del valor real de la población

Para hacer estimaciones más precisas utilizamos intervalos de confianza

que básicamente es considerar que usamos una muestra entonces del
coeficiente obtenido de la regresión se consideran 2 errores estándar por
arriba y 2 por abajo
El intervalo de confianza nos sirve para decidir si la relación entre la
variable dependiente e independiente son o no estadísticamente
significativas a un nivel de confianza regularmente del 95%

La regla de decisión es simple “si el 0 no está contenido la relación es

estadísticamente significativa”

Elabora un ejemplo de intervalo de confianza

INTERVALO DE CONFIANZA RESPECTO A UNA ESTIMACIÓN
En una distribuidora de huevo se checan cajas para su entrega y se supone
que la cantidad de cajas depende de los empleados contratados, se
realizó un registro y se obtuvieron los siguientes datos:

Checadores 11 15 12 10
cajas 30 40 24 34

Suponiendo que usando mínimos cuadrados estimamos la siguiente regresión:

Y^ =13.3+ 1.56 X
Entonces calcularemos el intervalo de confianza del 90% para 30 empleados
Entonces
X =30
Y^ =13.3+ 1.56 X
IC 90 %=.90
Checadores X caja Y ( X − X́ ¿2
11 30 1
15 40 9
12 24 0
10 34 4
X́ =12 14

Pronostico para X=30

Y^ =13.3+ 1.56∗30
Y^ =60.1

Valor t- Student al 90%

n=4 gl= 3
t=2.353

Error estándar de la estimación

 101.43
√ 4−2
=7.12

Sustituimos todo en la fórmula de intervalos de confianza para la

predicción:
2
1 ( 30−12 )
60.1 ±2.353∗7.12
4
+
√ 14

IC 90 %= −20.97
{
141.17

IC 90 % ={ 0
141.17

INTERVALO DE CONFIANZA RESPECTO A LA SIGNIFICANCIA ESTADISTICA al 90%

** Con Excel se calcula la regresión lineal de estos datos **

X  Coeficien Error Estadíst Probabili Inferio Superio Inferio Superio

tes típico ico t dad r 95% r 95% r 95.0% r 95.0%
Intercepc 13.142857 23.1151 0.568581 0.6269720 - 112.599 - 112.599
ión 1 73 39 2 86.3137 42 86.3137 42
052 052
Variable 1.5714285 1.90327 0.825645 0.4958158 - 9.76055 - 9.76055
X 1 7 323 29 3 6.61769 232 6.61769 232
518 518

t .1
, 4−2=2.9200
2

13.1428 – 2.9200*23.11≤ β0 ≤ 13.1428 + 2.9200*23.11

-54.33 ≤ 𝛽0 ≤ 80.624

1.5714 – 2.9200*1.90327 ≤ β1 ≤ 1.5714 + 2.9200*1.90327

-3.986 ≤ β1 ≤ 7.1289

Como los coeficientes pasan por el 0 no son estadísticamente

significativos
En el ejemplo 1 de la pagina 16, construye un intervalo de confianza al
90%
t .1
,50−2=1.6772
2
1.789559 – 1.6772 ∗ 0.6506796 ≤ β0 ≤ 1.789559 + 1.6772 ∗ 0.6506796
0.698239 ≤ 𝛽0 ≤ 2.8808

0.002481 – 1.6772 ∗ 0.00302381 ≤ β1 ≤ 0.002481 + 1.6772∗ 0.00302381

-0.002590 ≤ β1 ≤ 0.007552534
El B1 no es un estimador significativo ya que pasa por 0

Describe el análisis de la varianza

Es otra forma de comprobar la significancia de la regresión basándose en
la partición de la variable respuesta
n
2
∑ ( Y i−Ý ) es la suma de cuadrados total y mide la variabilidad total en
i=1

las observaciones
n
2
∑ ( Y^i−Ý ) es la variabilidad explicada por la regresión
i=1
n
2
∑ ( Yi−Y^i ) es la que queda sin explicar
i=1

SST = SSR+SSE
Y el método para probar la significancia de la regresión es mediante

SSR
1 MSR
F 0= = empleado grados de libertad
SSE MSE
n−2
Asumiendo una distribución de F 1, n−2
Se rechaza H0 si F0>f1

Describe el análisis de residuales

Parte de la idea de que los residuos no cumplen el supuesto de normalidad
entonces si los residuos su varianza no es constante se viola un supuesto
que se conoce como homocedasticidad
Para verificar el supuesto se construye una gráfica con los residuos
circunflejos y los valores circunflejos de y si los residuos se pueden
encerrar entonces no hay efectos obvios en el modelo