Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Y = a + bX
0 = Coeficiente de intersección
1 = Coeficiente de regresión
µy.xi = 0 + 1 xi (Modelo matemático muestral)
0 = Coeficiente de intersección estimado
1 = Coeficiente de regression estimado
yi = µy.xi + i = 0 + 1 xi + i (Modelo de regresion lineal simple)
yi = µy.xi = 0 + 1 xi (Ecuacion de regresion lineal simple)
Y . (xi , yi)
i Yi = µy.xi = 0 + 1 xi
_
. (xi , y)
_ X
(yi – y) = desviación total
_
(yi – y) = desviación por efecto de la regresión
(yi – yi) = desviación por efecto del residual
SUPUESTOS:
2. Los términos aleatorios del error residual i son independientes y tienen una
distribución con media cero y variancia 2
4. Para cada valor de X, los valores de Y tienen una distribución normal con:
Media = Y.X = 0 + 1 X
Variancia = 2Y.X
1. i = 0
2. i2 > 0
_ _
3. El punto (x, y) pertenece a la línea de regresión estimada
^
5. Yi = Yi
6. xi i = 0
^
7. xi yi = xi yi
^
8. yi i = 0
Ejemplo 1: Tomado de J. Rubio. “Estadística”
Utilidad (Y) 12.0 7.1 10.4 15.0 9.3 6.0 14.8 8.5 14.1
Inversión (X) 5.0 3.2 4.5 6.0 3.8 0.0 7.1 4.1 6.1
Utilidad (Y) 9.0 16.5 12.3 10.6 13.1 6.8 19.5 11.6 7.1
Inversión (X) 4.0 7.2 5.1 5.6 6.2 2.1 7.8 5.1 3.5
Solución:
Cálculos básicos
n = 18
Cálculo de promedios
_ _
X = 86.6 / 18 = 4.8111 Y = 203.7 / 18 = 11.3167
Solución:
_
SC X = X2 – n X2 = 479.6 – (18)(4.811111)2 = 62.9577
_
SC Y = Y2 – n Y2 = 2540.1300 – (18)(11.316667)2 = 234.9250
_ _
SP XY = XY – n X Y = 1091.62 – (18)(4.811111)(11.316667)
= 111.5967
Solución:
^
1 = b1 = SP XY / SC X = 111.596667 / 62.957778 = 1.7725
^ _ _
0 = b0 = Y – b1 X = 11.316667 – (1.772564)(4.811111) = 2.7886
^ ^ ^ ^
Yi = y.x = 0 + 1 Xi = 2.7886 + 1.7725 Xi
Cálculo de la ecuación de regresión
^ ^ ^ ^
Yi = y.x = 0 + 1 Xi = 2.7886 + 1.7725 X
Coeficiente de Intersecciòn:
Coeficiente de Regresión:
Cálculos básicos
n = 10
X = 30 + 25 + .... + 90 = 585
X2 = 302 + 352 + ... + 902 = 40575
Y = 910 + 915 + ... + 869 = 8907
Y2 = 9102 + 9152 + ... + 8692 = 793609
XY = (30)(9110) + ... + (90)(869) = 516835
Cálculo de promedios
_ _
X = 58.5 Y = 890.7
Solución:
SC Total = SC Y = 2844.1000
SC Reg = b2 1 SC X = b1 SP XY
SC Reg = 2809.3526
FV GL SC CM Fcal
Total 9 2844.1000
1. Prueba de Hipótesis
Hp : 1 = 0
Ha : 1 0
2. Nivel de Significación
= 0.05
3. Prueba Estadística
F = CM Reg./ CM Res. = 646.80
4. Regiones Críticas
Ftab = F0.95 (1, 8) = 5.32
5. Conclusiones
Como FCAL = 648.80 > F TAB = 5.32 , entonces, se rechaza Hp, para un nivel de
significación de 0.05, las evidencias muestrales indican que hay una relación de
dependencia funcional lineal entre la densidad de aceite de algodón y la
temperatura
Salida: MINITAB
Coeficientes
EE del
Término Coeficiente coeficiente Valor T Valor p VIF
Constante 929.60 1.67 558.10 0.000
X -0.6650 0.0261 -25.43 0.000 1.00
Ecuación de regresión
Y = 929.60 - 0.6650 X
COEFICIENTE DE DETERMINACION
Interpretación:
Del 100 % de variabilidad de Y en qué porcentaje se explica por X.
0 R2 1 0 r2 1
COEFICIENTE DE NO DETERMINACION
Interpretación:
Del 100 % de variabilidad de Y en qué porcentaje se explica por
otras variables independientes diferentes a la utilizada en el
modelo.
0 = Coeficiente de intersección
1, 2, … , K = Coeficientes de regresión parcial
x1 , x2 , …, xki = Valores de las variables independientes
Yi = µy.xi = 0 + 1 x1i + 2 x2i + . . . + Ki (Ecuación de regresión muestral)
0 = Coeficiente de intersección
1 , 2, … , K = Coeficientes de regresión parcial
ENFOQUE MATRICIAL DE LA REGRESION LINEAL MULTIPLE
Y = X + ε
o ε1
1 ε2
= . Ε= .
. .
. .
k εk
Modelo de regresión poblacional
Yi = µy.xi + i = 0 + 1 x1i + 2 x2i + . . . + K xKi + i
Ejemplos:
SUPUESTOS
Variable dependiente
Variables independientes
R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
0.573142 90.38% 87.63% 80.76%
Coeficientes
EE del
Término Coef coef. Valor T Valor p VIF
Constante -0.869 0.952 -0.91 0.392
X1 0.06113 0.00989 6.18 0.000 1.03
X2 0.923 0.221 4.18 0.004 1.03
Ecuación de regresión