Documentos de Académico
Documentos de Profesional
Documentos de Cultura
5
Métodos para obtener una
línea recta y su ecuación:
• Método Gráfico,
• Método de Semipromedios,
• Método de Promedios Móviles y
• Método de Mínimos Cuadrados.
Método de Mínimos
Cuadrados:
Para el ajuste de la línea se utiliza el Método de
Mínimos Cuadrados, con la Ecuación de la Línea
Recta:
Y = a + bx
Y cuando se usa para describir la tendencia es
escrita así:
Yc = a + bx
ANÁLISIS DE REGRESIÓN
b) REGRESION MÚLTIPLE
Cuando se relacionan 3 o mas variables.
Regresión Lineal Simple
11
11
Modelo de Regresión
12
12
Técnicas más utilizadas en el análisis
de regresión lineal simple
13
Técnicas más utilizadas en el análisis de
regresión lineal simple
14
Diagrama de Dispersión
Es una gráfica con datos muestrales apareados
(x, y) en un sistema de ejes rectangular, y cada
par ordenado representa un solo punto. Sirve más
para visualizar la asociación entre las variables
que las gráficas de barras de los hechos aislados,
que nos muestran tendencias al estar ordenados
en una secuencia temporal. Al observar una
gráfica debemos “ver”:
¿Que dirección tiene?
Si una variable se incrementa, ¿qué sucede
con la otra?
¿Existen datos distantes?
15
15
Diagramas de Dispersión
16
16
Tipos de relaciones
lineales:
Y = a+ bx === Yc = a+ bx = Ecuación
de Regresión
REGRESIÓN LINEAL SIMPLE
Donde:
• y = N . a + Xb
• Xy = X . a + X^2b
FÓRMULAS PARA ENCONTRAR
"a" y "b":
Y X X XY
2
a
n X X
2 2
n XY X Y
b
n X X
2 2
Análisis de
Correlación
22
Coeficiente de Correlación Lineal
“r”
Mide la fuerza de la relación lineal
entre dos valores cualitativos
apareados, en una muestra. También
se llama “Coeficiente de correlación
producto momento de Pearson.”.
LETRA "r"
23
Coeficiente de
Correlación Lineal “r”
Si “r” es igual a 0 = no existe correlación
Si “r” mayor que 0 = correlación positiva
Si “r” menor que 0 = correlación negativa
Si “r” es igual a menos 1 = correlación perfecta
negativa
Si “r” es igual a uno = correlación perfecta
positiva.
Los límites o extremos del coeficiente de
correlación son –1 y 1.
Coeficiente de Correlación - Interpretación
25
COEFICIENTE DE CORRELACIÓN:
10
9
8
7
6
Y
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9 10
X
Correlación positiva perfecta
10
9
8
7
6
Y
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9 10
X
Correlación cero
10
9
8
7
6
Y
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9 10
X
Correlación positiva fuerte
10
9
8
7
6
Y
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9 10
X
Fórmula para r
( X X )(Y Y )
r
(n 1) s x s y
n(XY ) (X )(Y )
n ( X 2 2
) ( X ) n Y Y
2 2
Coeficiente de
determinación
El coeficiente de determinación (r2) es la proporción de la
variación total en la variable dependiente (y) que se explica
por la variación en la variable independiente (x).
• Es el cuadrado del coeficiente de correlación.
• Su rango es de 0 a 1.
• No da ninguna información sobre la dirección de la relación
entre las variables.
Ejemplo 1
• Juan Escobedo, presidente de la sociedad de alumnos de la
UVM, se ocupa de estudiar el costo de los libros de texto. Él
cree que hay una relación entre el número de páginas en el
texto y el precio de venta del libro. Para proporcionar una
prueba, selecciona una muestra de ocho libros de texto
actualmente en venta en la librería. Dibuje un diagrama de
dispersión. Compruebe el coeficiente de correlación.
Ejemplo 1 (Continuación)
Libro Páginas Precio ($)
• Intr. a la Historia 500 84
• Álgebra 700 75
• Intr.a la Psicología 800 99
• Intr. a la Sociología 600 72
• Mercadotecnia 400 69
• Intr. a la Biología 500 81
• Fund. de Jazz 600 63
• Intr.a la Enfermería 800 93
Ejemplo 1 (Continuación)
100
90
Price ($)
80
70
60
400 500 600 700 800
Page
Ejemplo 1 (Continuación)
0.614
Ejemplo 1 (Continuación)
n( XY ) ( X )( Y )
b
n( X ) ( X )
2 2
Y X
a b
n n
Ejemplo 2 (Continuación)
636 4,900
a 0.05143 48.0
8 8
Ejemplo 2 (Continuación)
Y 48.0 0.05143X
48.0 0.05143(800) 89.14
El error estándar de estimación
(Y Y ) 2
s y. x
n2
Y 2 aY bXY
n2
Ejemplo 3
Y 2 aY bXY
s y. x
n2
51,606 48(636) 0.05143(397,200)
82
10.408
Suposiciones subyacentes en
el análisis de regresión lineal
1 ( X X )2
Y ts y. x 2
n ( X )
X 2
n
1 (800 612.5) 2
89.14 2.447(10.408)
8 (4900) 2
3,150,000
8
89.14 15.31
Intervalo de predicción
1 ( X X )2
Y ts y. x 1
n 2 ( X ) 2
X
n
1 (800 612.5) 2
89.14 2.447(10.408) 1
8 ( 4900) 2
3,150,000
8
89.14 29.72
Ejemplo 3 (Continuación)
Analysis of Variance
Source DF SS MS F P
Regression 1 393.4 393.4 3.63 0.105
Residual Error 6 650.6 108.4
Total 7 1044.0