Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MODELAMIENTO NUMÉRICO
i
MAESTRÍA DE GERENCIA EN
CAMBIO CLIMÁTICO,
AGRICULTURA Y DESARROLLO
RURAL SOSTENIBLE
CURSO
ESTADÍSTICA APLICADA Y
MODELAMIENTO NUMÉRICO
UNIDAD I:
Estadística básica, regresión lineal simple y múltiple
SEMANA 1
Chachapoyas, 2023
ÍNDICE
I. INTRODUCCIÓN............................................................................................................................. 4
II. REGRESION Y CORRELACION SIMPLE ............................................................................. 5
2.1. Diagrama de dispersión: .......................................................................................................... 6
2.2. Modelo de regresión lineal simple. .................................................................................... 6
2.3. Estimación de los parámetros del modelo de regresión....................................... 7
2.4. Suposiciones fundamentales del modelo de regresión lineal. .......................... 7
2.5. Pruebas de significación del modelo ................................................................................ 9
2.5.1. Análisis de varianza. Prueba global de significación del modelo (Prueba
F) ............................................................................................................................................................ 9
2.5.1.1. Error estándar de la estimación. .................................................................................. 9
2.5.1.2. PRECISION DE LOS ERRORES ESTANDAR DE LOS ESTIMADORES DE
j 10
I. INTRODUCCIÓN
El modelo de regresión lineal simple es una herramienta estadística
fundamental que tiene una gran importancia en la ciencia de datos, la
estadística y la investigación en diversas disciplinas. Sus aplicaciones
y usos son amplios y versátiles. Aquí te presento algunos de los
aspectos más destacados de su importancia y sus aplicaciones:
4
Métodos multivariados para la Investigación
5
Elías Alberto Torres Armas, Dr.
Yi = 0 + 1 X i + i
Yi = 0 + 1 X i + i
6
Métodos multivariados para la Investigación
Yˆ = b0 + b1 x
Donde:
,
b0: Es el estimador de 0 es la intercepción en Y, o el valor
estimado de Y cuando X = 0
x y
xy − n SP. XY Suma de productos XY
b1 = = =
( x ) 2
SC. X suma de cuadradosde X
x 2
−
n
b0 =
y −b x
1
n n
7
Elías Alberto Torres Armas, Dr.
8
Métodos multivariados para la Investigación
SCR = 1 ( xy − )
x y
ó
n
( x ) 2
SCR = 1 ( x −
2 2
n
SCE = SCT − SCR
CUADRO DE ANÁLISIS DE VARIANZA
Fuente de Suma de Grados Cuadrados Fc
variación cuadrados de medios
libertad
Debido a la SCR 1 CMR=SCR/1 CMR/CME
regresión
Debido al SCE n-2 CME=SCE/(n-
error 2)
Total SCT n-1
Decisión y conclusión: Re chazarH0 SiFc F(1,n−2)
2.5.1.1. Error estándar de la estimación.
El error estándar de la estimación mide la dispersión de
los valores observados alrededor de la recta de
regresión. Fórmulas usadas para calcular el error
estándar:
S y. x =
(Y − Yˆ ) 2
=
y 2
− b0 y − b1 xy
n−2 n−2
ó
SCE
S y. x = = CME
n−2
9
Elías Alberto Torres Armas, Dr.
CME CME
Var (b1 ) = sb1 =
SCX SCX
( x 2 )CME ( x 2 )CME
Var (b0 ) = sb0 =
nSCX nSCX
b0 − t n − 2; s b0 0 b0 + t n − 2; s b0
b1 − t n − 2; s b1 1 b1 + t n − 2; s b1
PARA 0
Hipótesis H 0 : 0 = 0
H1 : 0 0
Nivel de significación :
b0
Estadistica de prueba : t c = t n − 2;
s b0
Decisón : Re chazar H 0 si t c t n − 2; prueba bilateral
si t c −t n − 2; prueba unilateral izquierda
si t c +t n − 2; prueba unilateral derecha
PARA 1
Hipótesis H 0 : 1 = 0
H 1 : 1 0
Nivel de significación :
b1
Estadistica de prueba : t c = t n − 2;
s b1
Decisón : Re chazar H 0 si t c t n − 2; prueba bilateral
si t c −t n − 2; prueba unilateral izquierda
si t c +t n − 2; prueba unilateral derecha
10
Métodos multivariados para la Investigación
x y
xy − n SCR SCE
r= ó r= = 1−
( x ) 2
( y ) 2 SCT SCT
( x 2 − )( y 2 − )
n n
11
Elías Alberto Torres Armas, Dr.
Hipótesis H0 : = 0
H1 : 0
Nivel de significación :
r n−2
Estadistica de prueba : t c = t n − 2;
1− r2
Decisón : Re chazar H 0 si t c t n − 2; prueba bilateral
si t c −t n − 2; prueba unilateral izquierda
si t c +t n − 2; prueba unilateral derecha
3.4. Predicción.
1 ( X − X )2 1 ( X − X )2
yˆ − t CME ( + Y yˆ + t CME ( +
n − 2;1− n SCX n − 2;1− n SCX
2 2
1 ( X − X )2 1 ( X − X )2
yˆ − t CME (1 + + Y yˆ + t CME (1 + +
n − 2;1− n SCX n − 2;1− n SCX
2 2
3.5. Ejemplo.
12
Métodos multivariados para la Investigación
Y(Peso
X(Ingesta
medio X2 Y2 XY
de zinc)
%)
1 0 100 0 10000 0
2 2 92 4 8464 184
3 4 95 16 9025 380
4 8 90 64 8100 720
5 12 98 144 9604 1176
6 16 85 256 7225 1360
7 30 67 900 4489 2010
SUMA 72 627 1384 56907 5830
X Y 72 627
XY − 5830 −
1 = n = 7 , 1 = -0.96225577
( X )2 (72)
2
X 2
−
n
1384 −
7
0 =
Y − X = 627 − (− 0.96225577) 72 ,
0 = 99.4689165
n
n 7
1
7
Ecuación: Y = 0 + 1 X Y = 99.4689165- 0.96225577X
CORRELACIÓN:
X Y 72 627
XY − n
5830 −
7
= =
X2 − ( X ) 2
Y 2 − ( Y )
2
1384 −
(72)2 56907 − (627)2
n n
7 7
= 0.89382905
Coeficiente de determinación:
2 = (- 0.89382905)2 2 = 0.79893037
ANÁLISIS DE VARIANZA:
(Y ) 2
6272
SCTOTAL = Y 2
− = 56907 − = 745.714286
n 7
( X )2
= -0.962255771384 − 72
2
SCREGRESIÓN = 1 X −
2
= 595.7737884
n 7
13
Elías Alberto Torres Armas, Dr.
Hipótesis
Cuadro ANVA:
Sig
F.V. S.C. G.L. C.M. F.C.
.
595.77378 595.7737 19.86700
Regresión **
84 1 884 72
149.94049 29.98809
Error
73 5 947
745.71428
TOTAL
57 6
Con Excel
ANÁLISIS DE VARIANZA
Grados Promedio de
de Suma de los Valor crítico
libertad cuadrados cuadrados F de F
Regresión 1 595,773788 595,773788 19,8670072 0,00665746
Residuos 5 149,940497 29,9880995
Total 6 745,714286
14
Métodos multivariados para la Investigación
Aplica: Construya una base de datos recolectados de alguna población del entorno
de su profesión, que contenga una variable dependiente y una variable
independiente, utilizando fuentes primarias o secundarias, luego realice un análisis
de regresión y correlación completo, e interprete correctamente sus resultados
RÚBRICA
Criterio/Definición Calificación Total
15
Elías Alberto Torres Armas, Dr.
Berenson M. y Levine D. (1996): “Estadística Básica en Administración” Editorial Prentice Hall Hispanoamericana. 6ª edición –
México.
Chao, Linconl L. (1993): “Estadística para las Ciencias Administrativas”. Editorial Mc Graw Hill Interamericana S.A.- Colombia.
Córdova Zamora, Manuel (2000): “Estadística Descriptiva e Inferencial”. Editorial MOSHERA SRL.
Córdova Zamora, Manuel. (1998). Estadística: Descriptiva e Inferencial. Editorial Moshera Lima Perú.
García Ore. (1995). Distribuciones y Estadística Inferencial. Edit. San Marcos. Lima Perú.
16
Métodos multivariados para la Investigación
Visauta Y Vinacua (2002). Análisis Estadístico con SPSS: Estadística descriptiva Vol.I. Análisis Multivaviante Vol.II.
William Mendehall, Richard L. Sheaffer y Dennis D. (1992). Estadística Matemática con aplicaciones. Tercera Edición. Editorial Grupo
Editorial Iberoamericana.
Di Rienzo, Julio Alejandro; Casanoves, Fernando; Gonzalez, Laura Alicia; Tablada, Elena Margot; Díaz, María Del Pilar; Robledo,
Carlos Walter. (2008). Estadística para las Ciencias Agropecuarias. Balzarini, Mónica Graciela, Séptima Edición. EDICIÓN
ELECTRÓNICA
Hair, J.F., Anderson, R.E., Tatham, R.L., y Black, C.B. (1999), \Análisis Multivariante", Prentice Hall.
Pérez López, César. (2004). Técnicas de Análisis Multivariante de datos con SPSS. Español. Pearson Educación.
Montanero, J. (2008), \Manual 59: Análisis Multivariante", Servicio de Publicaciones UEx. http://hdl.handle.net/10662/2444
Andrés Catena, Manuel M. Ramos, Humberto M. Trujillo. (2003). Análisis Multivariado. Un manual para investigadores. Editorial
Biblioteca nueva, S. L. Madrid.
Dallas E. Johnson. (2000). Métodos Multivariados Aplicados al Análisis de Datos. Español- Thomson
Johnson Richard A. (2007). Applied multivariable statistical analysis. Ingles. Pearson Education.
Anderson, T. (2003). An Introduction to Multivariate Analysis, Wiley.
………………………………..…..………
Dr. Elías A. Torres Armas
Docente de asignatura
17
Métodos Estadísticos para la Investigación experimental
18