Documentos de Académico
Documentos de Profesional
Documentos de Cultura
La relación funcional con la que se busca ajustar los datos observados es del tipo y c = f (x).
- La regresión lineal: yc = a + bx
𝑏
yc = a + (hipérbola equilátera desplazada)
𝑥
LA REGRESIÓN MÚLTIPLE
a = 3.42 nos dice que cuando t = 0 y c = 3.42, es decir en el periodo 0 (año 2019) la población estimada por la recta de regresión fue de 3.42 miles de estudiantes inscritos. (interpolación).
b = 0.35 nos dice que cada año el número de alumnos inscritos aumenta en 0.35 miles de estudiantes.
Se presenta cuando falta uno o más de los periodos en los que se desarrolla la variable que se analiza. En este caso, se
empieza la serie de la variable t con 0 y se prosigue de 1 en 1, saltando el o los periodos que falten.
a = 2.43 nos dice que cuando t = 0 yc = 2.43, es decir en el periodo 0 la población estimada por la recta de regresión fue
de 2.43 miles de estudiantes inscritos. (interpolación).
b = 0.3353 nos dice que cada año el número de alumnos inscritos aumenta en 0.3353 miles de estudiantes.
VARIANZA RESIDUAL
Si este valor es grande significa que los errores o residuos son grandes y, por tanto, la función de ajuste no es confiable
para hacer estimaciones o proyecciones
DESVIACION NO EXPLICADA
El coeficiente de determinación, al que se simboliza con R2, muestra qué proporción o porcentaje de la variación total
está explicado por la función matemática utilizada para el ajuste.
Este coeficiente tiene sus valores entre 0 y 1, ambos inclusive, es decir (0≤ R2≤ 1). .
El 99.21% de la variación total de la variable de interés está explicado por la recta de regresión hallada. En consecuencia,
se puede concluir que la recta de regresión y c = 0.7144 + 0.8052x es muy confiable para hacer estimaciones y/o
proyecciones del gasto en consumo en función de los ingresos familiares.
La covarianza
El coeficiente de correlación lineal de Pearson
Finalmente, para calcular un indicador del nivel de asociación entre las variables a través de una línea de
regresión, el estadístico Karl Pearson planteó un coeficiente (r) que sólo puede ser usado para medir el grado
de correlación lineal entre las variables, que se presenta así
Cuando r tiende a 1 quiere decir que hay alta asociación positiva entre las variables y que la recta de regresión
creciente es altamente confiable para hacer estimaciones o proyecciones.
Cuando r tiende a − 1 quiere decir que hay alta asociación negativa o inversa entre las variables y que la recta
de regresión decreciente es altamente confiable para hacer estimaciones o proyecciones.
Cuando r tiende a 0, por derecha o por izquierda, quiere decir que hay baja asociación positiva (o negativa) entre
las variables y que la recta de regresión creciente (o decreciente) no es confiable para hacer estimaciones o
proyecciones.
Al valor del coeficiente de correlación lineal.
Se puede demostrar que la raíz cuadrada del coeficiente de determinación para un ajuste lineal es igual al valor del
coeficiente de correlación lineal. Es decir:
Cuando se usa esta relación hay que tener el cuidado de colocar adecuadamente el signo + o el signo – según que la recta
de ajuste sea creciente o decreciente, respectivamente.
Muestra alta correlación lineal positiva entre las variables. La recta creciente es altamente confiable para estimaciones
y/o proyecciones.
Las varianzas y desviaciones típicas:
∑𝑛 2
𝑖=1 𝑥𝑖
𝑠𝑥2 = -𝑥̅ 2 sx =
𝑛
∑𝑛 2
𝑖=1 𝑦𝑖
𝑠𝑦2 = − 𝑦̅2 sy =
𝑛
Teoría de PROBABILIDADES
2.- Evolución de la teoría de la probabilidad
2.1. Probabilidad clásica o a priori
2.2.1.2.-Continuo
2.6.1. Probabilidad conjunta
Probabilidad marginal
Probabilidad condicional
Ley de la suma
Si los sucesos o eventos A1, A2, A3, …, Ah fueran mutuamente excluyentes (disjuntos) entonces
la ley de la suma se reduciría a:
Ley de la multiplicación
El teorema de Bayes
Diagramas de árbol