0 calificaciones0% encontró este documento útil (0 votos)
5 vistas2 páginas
Este documento presenta un modelo estadístico básico llamado modelo de regresión lineal, que se usa para expresar la relación lineal entre una variable dependiente y una o más variables independientes. Los modelos de regresión pueden tener una o más variables independientes y se usan para predecir resultados futuros, analizar la influencia de factores, y mejorar procesos. El documento también describe técnicas como el análisis de correlación, el coeficiente de correlación y el coeficiente de determinación que son importantes para los modelos de regresión.
Este documento presenta un modelo estadístico básico llamado modelo de regresión lineal, que se usa para expresar la relación lineal entre una variable dependiente y una o más variables independientes. Los modelos de regresión pueden tener una o más variables independientes y se usan para predecir resultados futuros, analizar la influencia de factores, y mejorar procesos. El documento también describe técnicas como el análisis de correlación, el coeficiente de correlación y el coeficiente de determinación que son importantes para los modelos de regresión.
Este documento presenta un modelo estadístico básico llamado modelo de regresión lineal, que se usa para expresar la relación lineal entre una variable dependiente y una o más variables independientes. Los modelos de regresión pueden tener una o más variables independientes y se usan para predecir resultados futuros, analizar la influencia de factores, y mejorar procesos. El documento también describe técnicas como el análisis de correlación, el coeficiente de correlación y el coeficiente de determinación que son importantes para los modelos de regresión.
La finalidad de este trabajo es presentar un modelo estadístico básico. Este es
el modelo de regresión lineal, que se usa para expresar la relación lineal que pueda existir entre los valores de una variable y los valores de un conjunto de una o más variables. Por ejemplo, un modelo de este tipo puede ser utilizado para explicar la variabilidad de las ventas de una empresa en términos de la inversión que se realiza en publicidad. El modelo que trata de explicar la variable dependiente (ventas) mediante una relación lineal y usando solo una variable independiente (inversión en publicidad) se llama modelo de regresión lineal simple. Algunos modelos de regresión incorporan más de una variable independiente, y su forma puede ser de lo más complicada posible. Los modelos de regresión que incorporan más de una variable independiente se llaman modelos de regresión múltiple. Los modelos de regresión fueron introducidos por Laplace y Gauss. Posteriormente fueron usados por Galton en trabajos que trataban de explicar la relación de las estaturas de los padres con las de sus hijos, encontrando lo que él llamó regresión a la media, expresión usada para indicar “que los hijos de los padres altos, en promedio, no eran tan altos como los padres, y que los hijos de los padres bajos, en promedio, eran más altos que los padres”. Había una regresión hacia el promedio. Se aplican en casi todos los campos de la ciencia, como el de la ingeniería, de las ciencias físicas, de las ciencias económicas, de las ciencias sociales, etc., y en muchos casos se utilizan para: predecir rendimientos futuros de un proceso y analizar la influencia de ciertos factores en los valores de una variable y de esta manera conocer, controlar y mejorar un proceso productivo. MARCO TEÓRICO
ANÁLISIS DE CORRELACIÓN.- Grupo de técnicas para medir la
asociación entre dos variables. La idea básica del análisis de correlación es reportar la asociación entre dos variables. El primer paso habitual es trazar los datos en un diagrama de dispersión.
COEFICIENTE DE CORRELACIÓN.- Medida de la fuerza de la relación
lineal entre dos variables. Su signo indica la dirección de la relación entre dos variables, directa o inversa.
COEFICIENTE DE DETERMINACIÓN.- Proporción de la variación total
en la variable dependiente Y que se explica, o contabiliza, por la variación en la variable dependiente X. Se expresa como sigue:
Resumen de Diseño Estadístico Para Investigadores en Ciencias Sociales y del Comportamiento. Capítulo 2: Variables Estadísticas: RESÚMENES UNIVERSITARIOS