Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CauichEd Resumen
CauichEd Resumen
Estadística Inferencial II
Actividad 1. Resumen
Grupo 5G1
Alumna:
Contreras Bautista Mariel de Atocha
1.1 Regresión y correlación lineal simple El término regresión fue utilizado por
primera vez por el genetista y estadístico inglés Francis Galton (1822-1911). En
1877 Galton efectúo un estudio que demostró que la altura de los hijos de padres
altos tendía a retroceder, o “regresar”, hacia la talla media de la población. El
análisis de regresión se desarrolla una ecuación de estimación, es decir, una
fórmula matemática que relaciona las variables conocidas con las desconocidas.
Luego de obtener el patrón de dicha relación, se aplica el análisis de correlación
para determinar el grado de relación que hay entre las variables.
Regresión lineal simple. Es el proceso general de predecir una variable (y) a
partir de otra (X). Las relaciones entre las variables pueden ser directas o también
inversas.
El error es cero.
Los datos obtenidos de las muestras son estadísticamente independientes.
La varianza del error es igual para todos los valores de X.
Una línea de regresión calculada a partir de los datos muestrales, por el método
de mínimos cuadrados se llama línea de regresión estimada o línea de regresión
muestral. Dicha línea recta es la que mejor se ajusta al conjunto de datos (X, Y) y
es aquella en que la distancia que hay entre los datos y la supuesta recta es la
menor posible, y se calcula mediante la siguiente formula: yˆ a bx.
Propiedades:
1. El coeficiente de correlación no varía al hacerlo la escala de medición. Es decir,
si expresamos la altura en metros o en centímetros el coeficiente de correlación no
varía.
2. El signo del coeficiente de correlación es el mismo que el de la covarianza. Si la
covarianza es positiva, la correlación es directa. Si la covarianza es negativa, la
correlación es inversa. Si la covarianza es nula, no existe correlación.
3. El coeficiente de correlación lineal es un número real comprendido entre −1 y 1.
−1 ≤ r ≤ 1
4. Si el coeficiente de correlación lineal toma valores cercanos a −1 la correlación
es fuerte e inversa, y será tanto más fuerte cuanto más se aproxime r a −1.
5. Si el coeficiente de correlación lineal toma valores cercanos a 1 la correlación
es fuerte y directa, y será tanto más fuerte cuanto más se aproxime r a 1.
6. Si el coeficiente de correlación lineal toma valores cercanos a 0, la correlación
es débil.
7. Si r = 1 ó −1, los puntos de la nube están sobre la recta creciente o decreciente.
Entre ambas variables hay dependencia funcional.
1.6 Análisis residual. Los residuos (o errores) son la diferencia entre los
valores observados y los valores que predice el modelo: Residuos = Valores
observados – Valores que predice el modelo e = y – ŷ.