Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Clase 4. Regresión Lineal
Clase 4. Regresión Lineal
Regresión Lineal
Ejemplo
n la
t a co
en
aum
e so
e l p
qu e
r e ce
Pa ra
altu
Recta de Regresión Ajustada
Residuos en Regresión Lineal
Método de Mínimos Cuadrados
• Cómo estimamos a y b? Con el método de mínimos
cuadrados
Estimación de a y b
𝑛 𝑛
𝑛 ∑
𝑖=1
𝑥 𝑖 ∑ 𝑦𝑖
𝑖=1
∑ 𝑥𝑖 𝑦 𝑖 −
𝑛
𝑖=1
𝑏= 𝑛 2
∑
𝑛
2
𝑥 −
(∑ )
𝑖= 1
𝑥𝑖
𝑖
𝑖=1 𝑛
Problema Ejemplo:
• Los datos de la siguiente tabla representan las estaturas (X,
cm) y los pesos (Y, kg) de una muestra de 12 hombres
adultos. Para cada estatura fijada previamente se observó el
peso de una persona seleccionada de entre el grupo con
dicha estatura, resultando:
X 152 155 152 155 157 152 157 165 162 178 183 178
¿Cuánto se espera que pese (en promedio) una persona que mide 1.60 m?
Sustituyendo el valor de interés en la ecuación: Ŷ = -75.446+0.8676X
Se obtiene: Ŷ = -75.446+0.8676(160) = 63.37 kg
Conclusión:
• La ecuación de Regresión Lineal estimada para las variables
estatura y peso muestran, de acuerdo a la prueba F, relación.
• Esta relación se ha estimado en un R = 93.7, que indica una fuerte
relación positiva.
• Además si consideramos el coeficiente de determinación R² = 87.9
podemos indicar que el 87.9% de las variaciones que ocurren en el
peso se explicarían por las variaciones en la variable estatura.
Sumas de Cuadrado
β1 0 + 1X1 +ε
o=
Relación entre SST, SSR y SSE
b = β1
• Si rechazar Ho
• Conclusión?
Coef. de correlación lineal de Pearson
• El coeficiente de correlación lineal de Pearson
de dos variables, r, nos indica si los puntos
tienen una tendencia a disponerse
alineadamente (excluyendo rectas horizontales
y verticales).
-1 0 +1
Correlación
280 Incorrelación
230
180
130
80
30
140 150 160 170 180 190 200
• Gracias.