Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Presentación Clase 4 Regresión Lineal.. (Modo de Compatibilidad)
Presentación Clase 4 Regresión Lineal.. (Modo de Compatibilidad)
y Gestión de Riesgo I
Y = a + bX
Y= Variable Dependiente
a = Intersección en Y
b = Pendiente de la línea
X = Variable Independiente
Ecuación de estimación para una recta
Ecuación de estimación para una recta
Métodos de mínimos cuadrados
Ŷ = a + bX
Donde:
Ŷ representa los valores individuales de los puntos
estimados
Métodos de mínimos cuadrados
Métodos de mínimos cuadrados
Métodos de mínimos cuadrados
Métodos de mínimos cuadrados
Métodos de mínimos cuadrados
Métodos de mínimos cuadrados
Métodos de mínimos cuadrados
Métodos de mínimos cuadrados
Ejemplo
Ejemplo resuelto
Error estándar de la estimación
Ŷ = 3.75 + 0.75x
X Y Ŷ (y - Ŷ ) (y - Ŷ )2
5 7 3.75+(0.75)(5) 7-7.5 = -0.5 0.25
3 7 3.75+(0.75)(3) 7-6.0= 1.0 1
3 6 3.75+(0.75)(3) 6-6.0= 0 0
1 4 3.75+(0.75)(1) 4-4.5=-0.5 0.25 suma de los
cuadrados de los
1.5 errores
Se =
Se =
Se = 0.866
Uso de un método abreviado para calcular el error
estándar de la estimación
Ejemplo: camiones y años de reparación
1 5 7 35 25 49
2 3 7 21 9 49
3 3 6 18 9 36
4 1 4 4 1 16
12 24 78 44 150
se =
se =
se = 0.866
Interpretación del error estándar de la
estimación
Cuánto mayor sea el Se, más grande será la dispersión de
puntos alrededor de la línea de regresión.
Si Se = O, esperamos que la ecuación de estimación sea un
estimador “perfecto” de la variable dependiente.
Suponiendo que los puntos observados estén normalmente
distribuidos alrededor de la línea de regresión cabe esperar:
68% dentro de +/- 1 Se
95% dentro de +/- 2 Se
99.7 % dentro de +/- 3Se
El error estándar de la estimación se mide a lo largo del eje
Y, y no perpendicularmente a la línea de regresión.
Interpretación del error estándar de la
estimación
Y = a+bx
Y = a +bx +/- 1Se
Y = a + bx +/- 2 Se
Y = a + bx +/- 3 Se
Intervalos aproximados de predicción
r2 = 1 – (Y - Ŷ)2
( Y – Y)2
Interpretación intuitiva de r2
Ŷ = 4x
= 0 0/ 672 Ŷ = 4(1) = 4
Media de Y = 144/8
Media de Y = 18
Ejemplo de r2
r2 = 1 – 0
672
= 1 coeficiente muestral de determinación cuando
hay una correlación perfecta.
Interpretación intuitiva de r2
En resumen:
R2 se encontrará entre los extremos de 1 y O.
Un r2 cercano a 1 indica una fuerte correlación entre X y Y
Un r2 cercano a cero significa que esas dos variables tienen
poca correlación
Ejemplo:
Si tuviéramos muchos puntos X y Y que cayeran sobre la
circunferencia de un círculo pero en lugares aleatoriamente
dispersos, es evidente que habría una relación entre ellos,
pero si calculáramos r2, éste resultaría estar cercano a cero,
ya que los puntos no tienen una relación lineal entre sí.
Otra forma de calcular r2
r 2 = a Y + b XY – n Y2
Y2 – n Y2
Donde:
R2 = coeficiente muestral de determinación
a = intersección en Y
b = pendiente de la línea de estimación del mejor ajuste
n = número de puntos de datos
X = valores de la variable independiente
Y = valores de la variable dependiente
Y = media de los valores observados de la variable de pendiente.
Coeficiente de correlación
Coeficiente de correlación
r2 = 0.81 y r = 0.9
Ŷ = a + b1x1 + b2x2