Donde es un error aleatorio con media cero y varianza 2. Tambin suponga que los errores aleatorios
no estn correlacionados. La ecuacin (1.1) es conocida como el modelo de regresin lineal simple. Bajo
el supuesto de que este modelo es adecuado y como el valor esperado del error es cero, E ()=0, se
puede ver que el valor esperado de la variable Y, para cada valor de X, est dado por lnea recta:
En donde 0 1 son los parmetros del modelo y son constantes desconocidas. Por lo tanto, para
tener bien especificada la ecuacin que relaciona las dos variables ser necesario estimar los dos
parmetros, que tienen los siguientes significados:
0: Es el punto en el cual la lnea recta intercepta o cruza el eje y.
1: Es la pendiente de la lnea, es decir, es la cantidad en que se incrementa o disminuye la variable Y
por cada unidad que se incrementa X.
JOS DOLORES MARTNEZ SANTIAGO
Pgina 1
ITSE
Un procedimiento para ajustar la mejor recta y, por lo tanto, para estimar 0 y1 es mediante el
mtodo de mnimos cuadrados, el cual consiste en las siguientes ecuaciones:
Donde
La estimacin de los parmetros del modelo y las pruebas de hiptesis sobre los mismos se
sintetizan en la siguiente tabla:
Pgina 2
ITSE
Dnde:
Error estndar de estimacin . Una medicin sobre la calidad del ajuste de un modelo lo da el error estndar
de estimacin, que es una estimacin de la desviacin estndar del error . En el caso de la regresin lineal
simple, est dado por:
Pgina 3
ITSE
Donde los j son los parmetros del modelo que se conocen como coeficientes de regresin y es el error
aleatorio, con media cero, E ()=0 y V ()=2. Si en la ecuacin k=1, estamos en el caso de regresin lineal
simple y el modelo es una lnea recta; si k=2, tal ecuacin representa un plano. En general, la ecuacin
representa un hiperplano en el espacio de k dimensiones generadas por las variables {Xj}.
Para encontrar los coeficientes de regresin mltiple por el mtodo de mnimos cuadrados aplicamos el
siguiente sistema de ecuaciones normales:
Pgina 4
ITSE
El estadstico de prueba para la significancia del modelo de regresin lineal mltiple est dado por:
Coeficiente de determinacin:
Pgina 5
ITSE
Parmetro
Estimacin Error estndar
Intercepcin
Estadstico
Valor-p
| |)
(
.
.
.
.
.
.
| |)
(
.
| |)
Tambin es posible obtener un intervalo de confianza con respecto a la respuesta media en un punto
particular, digamos
est dado por:
Pgina 6
ITSE
REGRESIN NO LINEAL
Si las dos variables X y Y se relacionan segn un modelo de lnea recta, se habla de regresin lineal simple:
Cuando las variables X y Y se relacionan segn una lnea curva, se habla de regresin no lineal o curvilnea.
Aqu se puede distinguir entre regresin parablica, exponencial, potencial etc.
Parbola de Regresin: La expresin general de un polinomio de 2 grado es:
El problema consiste, por tanto, en determinar dichos parmetros para una distribucin dada. Seguiremos
para ello, un razonamiento similar al que hicimos en el caso del modelo de regresin lineal simple, utilizando
el procedimiento de ajuste de los mnimos cuadrados, es decir, haciendo que la suma de los cuadrados de las
desviaciones con respecto a la curva de regresin sea mnima:
Para encontrar los valores de a, b y c que hacen mnima la expresin anterior, deberemos igualar las derivadas
parciales de D con respecto a dichos parmetros a cero y resolver el sistema resultante. Las ecuaciones que
forman dicho sistema se conocen como ecuaciones normales de Gauss (igual que en el caso de la regresin
lineal simple):
Modelo logartmico. La curva logartmica Y = a+b logX es tambin una recta, pero en lugar de estar referida a
las variables originales X e Y, est referida a logX y a Y.
Pgina 7