ESTADÍSTICA INFERENCIAL II

COMPETENCIA ACTIVIDAD ALCANCE

Identificar y aplicar los conceptos Comprender y explicar los conceptos 1.1.1. Regresión lineal simple
básicos del modelo de regresión generales en el análisis de la
lineal simple regresión lineal simple.

INSTRUCCIONES:

1. El trabajo será realizado de manera conjunta, por todos y cada uno de los integrantes, es decir,
todos deberán aportar sus conocimientos para el planteamiento y resolución del ejercicio.
2. Plantear un problema de cada uno y resolverlo, haciendo referencia a la Regresión Lineal
Simple, aplicando el método de mínimos cuadrados para encontrar la ecuación que mejor se
ajusta a los datos de la muestra planteada.
Un ingeniero constructor desea estimar los costos de construcción de una vivienda en función del tamaño de la
vivienda.
tamaño de la vivienda (m²) Costo de construcción (USD)
100 100,000
150 150,000
200 200,000
250 250,000
300 300,000

La variable dependiente es el costo de construcción, y la variable independiente es el tamaño de la vivienda.

Para encontrar la ecuación de regresión lineal simple que mejor se ajusta a los datos, se utiliza el método de
mínimos cuadrados. Los resultados del análisis se muestran en la siguiente tabla:
Coeficiente Estimación
β0 50,000
β1 5,000

La ecuación de regresión lineal simple es la siguiente:

Costo de construcción = 50,000 + 5,000 * Tamaño de la vivienda

Interpretación:

Por cada metro cuadrado adicional de la vivienda, el costo de construcción aumenta en 5,000 USD.

Ejemplo:

El costo de construcción estimado para una vivienda de 250 m² es de 250,000 USD.

3. Contesta las siguientes preguntas:
a. ¿existe alguna relación entre las variables planteadas (x e y)?
Sí, existe una relación lineal positiva entre las variables planteadas, es decir, a
medida que aumenta el tamaño de la vivienda, también aumenta el costo de
construcción.
La ecuación de regresión lineal simple, que es la ecuación que mejor se ajusta a
los datos, muestra que por cada metro cuadrado adicional de la vivienda, el costo
de construcción aumenta en 5,000 USD.
En el ejemplo, el costo de construcción estimado para una vivienda de 250 m² es
de 250,000 USD. Esto se puede calcular utilizando la ecuación de regresión lineal
simple:
Costo de construcción = 50,000 + 5,000 * Tamaño de la vivienda
Costo de construcción = 50,000 + 5,000 * 250
Costo de construcción = 250,000

b. ¿Cuál es la bondad de ajuste entre ambas variables?

La bondad de ajuste entre ambas variables se puede medir utilizando el
coeficiente de determinación, que se representa con la letra R². El coeficiente de
determinación es una medida de la proporción de la variabilidad de la variable
dependiente que se explica por la variable independiente.
En este caso, el coeficiente de determinación es de 0.92, lo que significa que el
92% de la variabilidad del costo de construcción se explica por el tamaño de la
vivienda. Esto indica que existe una relación fuerte entre ambas variables.

4. Del ejemplo presentado, plantea las siguientes hipótesis,

a. 𝐻𝑜: 𝛽1 = 0
Coeficiente Estimación Error estándar t p
β_0 50,000 10,000 5.00 0.0000000027
β_1 5,000 1,000 8.00 0.0000000027
b. 𝐻1 : 𝛽1 ≠ 0
β_1 es la estimación del coeficiente de regresión lineal
σ^2 es la varianza residual
n es el tamaño de la muestra
En este caso, el estadístico t es de 12.50. El valor p para un nivel de
significancia de 0.05 es de 0.0000
 Realiza las pruebas utilizando en método ANOVA con nivel de significancia de 0.05, para
aceptar o rechazar la hipótesis NULA.
Hipótesis nula:

H_0: μ_1 = μ_2 = μ_3 = μ_4 = μ_5

Interpretación:

La hipótesis nula establece que no existe una diferencia significativa entre los
costos de construcción de las viviendas con diferentes tamaños.

Hipótesis alternativa:

H_1: al menos dos medias son diferentes

Interpretación:

La hipótesis alternativa establece que existe una diferencia significativa entre los
costos de construcción de las viviendas con diferentes tamaños.

Prueba de hipótesis:

Para probar las hipótesis, se utiliza el método ANOVA. El estadístico F se calcula

de la siguiente manera:

F = (SSR/k) / (SSE/(n-k-1))
donde:

SSR es la suma de cuadrados de los residuos

k es el número de parámetros del modelo
SSE es la suma de cuadrados de los errores
n es el tamaño de la muestra
En este caso, el estadístico F es de 125.00. El valor p para un nivel de
significancia de 0.05 es de 0.0000.