Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UNIVERSIDAD DE FALCÓN
UNIDAD CURRICULAR: ESTADÍSTICA II
Autor:
Bergo Giulliana V-25.333.900
INTRODUCCIÓN___________________________________________ 3
REGRESIÓN LINEAL_______________________________________ 4
CORRELACIÓN LINEAL_____________________________________ 5
ANÁLISIS DE CORRELACIÓN________________________________ 17
Coeficiente de correlación__________________________________ 17
Coeficiente de determinación_______________________________ 18
CONCLUSIÓN ____________________________________________ 24
BIBLIOGRAFÍA_____________________________________________ 25
2
INTRODUCCIÓN
3
De esto se trata la regresión lineal en la estadística y por eso es que tanto
como administradores, científicos o cualquiera otra profesión en el mundo
utilizan la regresión tanto simple, múltiple como otra, para predecir y avanzar
en sus respectivas investigaciones o ensayos
REGRESIÓN LINEAL
4
CORRELACIÓN LINEAL:
𝐶𝑂𝑉𝑥𝑦
Ρxy= 𝜎𝑥𝜎𝑦
Donde:
5
covarianza, generando lo que se conoce como coeficientes de correlación.
Existen diferentes tipos, de entre los que destacan el coeficiente de Pearson,
Rho de Spearman y Tau de Kendall.
Es correlación positiva si
ρ = -1 Correlación perfecta negativa siempre que el valor “x”
sube, y el valor “y”
también, a demás con la
misma intensidad.
ρ=0 No existe correlación
Es correlación negativa, si
ρ = +1 Correlación perfecta positiva siempre que el valor “x”
sube y el valor “y” baja y
además tiene la misma
intensidad.
3,5
gráficos tal como se muestra a
3
continuación:
2,5
1,5
• Correlación perfecta
1
negativa
0,5
x y 0
0 1 2 3 4 5
1 4
2 3
3 2
6
4 1
Sin correlación
Correlación -1 2,5
• Sin correlación
2
x y
1,5
1 1
2 1 1
2 2
0,5
1 2
Correlación 0 0
0 0,5 1 1,5 2 2,5
0,5
0
0 0,5 1 1,5 2 2,5 3
7
ANÁLISIS DE REGRESIÓN
Las variables
Para utilizar un análisis de este tipo debemos conocer los dos tipos de
variables:
8
y = B0 + B1 x + ε
Donde
Donde:
B1, B2, Bn: son todas las variables independientes que pueden afectar al
valor de la variable dependiente
9
➢ Modelo de regresión no lineal
Regresión exponencial
y = a.bx
Regresión potencial
y = a. xb
10
Regresión parabólica
y* = a0+a1x+a2 x2
Para resolver esta ecuación es necesario buscar los valores a0, a1, a2 que
minimicen.
Fórmula:
El siguiente paso a realizar es igualar las derivadas parciales a cero, para así
obtener ecuaciones lineales que puedan ser resueltas. El resultado final será:
11
Para aplicar el método de verificación es necesario saber a qué tipo de
predicción nos estamos enfrentando, es decir del tipo de variable a predecir y
del contexto en que se utilizaran los resultados.
Tipos de predicciones:
12
̂ 𝒊 ; y los estimadores por MCO de la ordenada en el origen, los
𝒆𝒊𝒏 = 𝒀𝒊 − 𝒀
estimadores por MCO de la ordenada en el origen, , y de la pendiente, β,
son:
13
MÉTODO DE LOS MÍNIMOS CUADRADOS
Σ es el símbolo sumatorio de todos los términos, mientras (x, y) son los datos
en estudio y n la cantidad de datos que existen.
14
Cuando se haga uso del método de mínimos cuadrados se debe buscar una
línea de mejor ajuste que explique la posible relación entre una variable
independiente y una variable dependiente. En el análisis de regresión, las
variables dependientes se designan en el eje y vertical y las variables
independientes se designan en el eje x horizontal. Estas designaciones
formarán la ecuación para la línea de mejor ajuste, que se determina a partir
del método de mínimos cuadrados.
Pasos a seguir:
2.Resta las coordenadas correspondientes al eje de las "Y". Si, por ejemplo,
las dos coordenadas son (2,5) y (4, 11): 5 - 11 = -6.
15
Divide la diferencia de coordenadas "Y" entre la diferencia de coordenadas de
"X". Para nuestro caso: -6 / -2 = 3. La línea tiene una pendiente de 3.
5. Vamos a comprobar con otro ejemplo que esto se cumple. En este caso
utilizamos los puntos (1,2) y (-1,-4).
16
ANÁLISIS DE CORRELACIÓN
Coeficiente de correlación
17
El primer paro consiste en calcular la covarianza entre la variable X y la Y
(entre las dos columnas de la matriz) de acuerdo a la siguiente fórmula:
𝑛
∑ ̅̅̅
𝑖=1 (𝑥𝑖 −𝑥̅ ) (𝑦1 −𝑦)
𝑐𝑜𝑛𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙 = 𝐶𝑜𝑣(𝑥, 𝑦) =
𝑁−1
Coeficiente de determinación.
18
EJEMPLOS PRÁCTICOS DE REGRESIÓN LINEAL
Ejercicio 1:
Solución:
𝑋𝑖 𝑌𝑖 𝑋𝑖2 𝑌𝑖2 𝑋𝑖 . 𝑌𝑖
2 14 4 196 28
3 20 9 400 60
5 32 25 1024 160
7 42 49 1764 294
8 44 64 1936 352
25 152 151 5320 894
19
La recta de regresión de la edad sobre el peso es aquella que pasa por el
punto (𝑥,
̅ 𝑦̅) y tiene pendiente
Ejercicio 2.
20
N° De clientes (X) Distancia (Y)
8 15
7 19
6 25
4 23
2 34
1 40
3.Si desea recibir a 5 clientes, ¿a qué distancia del núcleo de población debe
situarse?
𝑋𝑖 𝑌𝑖 𝑋𝑖2 𝑌𝑖2 𝑋𝑖 . 𝑌𝑖
21
Calculamos la covarianza, las varianzas y las desviaciones estándares
22
Si se desea recibir cinco clientes, sustituimos x=5 en la ecuación de regresión
y obtenemos
Ejercicio 3.
1. Y= -X+2
2. 3X-Y=1
3. 2X+Y=4
4. Y=X+1
La recta pedida es 3
23
CONCLUSIÓN
24
BIBLIOGRAFÍA
http://recursostic.educacion.es/descartes/web/materiales_didacticos/Regresio
n_y_correlacion/Regresion_y_correlacion.htm
https://puceapex.puce.edu.ec/web/cev/modelos-de-regresion-lineal-simple/
25
26