Educacin
TEMA
DOCENTE:
o Cinthya Santacruz Renteria
CICLO:
o 2015 II
ALUMNOS:
o
o
o
o
o
INTRODUCCIN
Si sabemos que existe una relacin entre una variable
denominada
dependiente
y
otras
denominadas
independientes, puede darse el problema de que la
dependiente asuma mltiples valores para una combinacin
de valores de las independientes.
La dependencia a la que hacemos referencia es relacional
matemtica y no necesariamente de causalidad. As, para
un mismo nmero de unidades producidas, pueden existir
niveles de costo, que varan empresa a empresa.
Si se da ese tipo de relaciones, se suele recurrir a los
estudios de regresin en los cuales se obtiene una nueva
relacin pero de un tipo especial denominado funcin, en la
cual la variable independiente se asocia con un indicador de
tendencia central de la variable dependiente. Cabe recordar
que en trminos generales, una funcin es un tipo de
relacin en la cual para cada valor de la variable
independiente le corresponde uno y slo un valor de la
variable dependiente.
OBJETIVOS
Determinar una funcin matemtica sencilla que
describa el comportamiento de una variable dados los
valores de otra u otras variables
REGRESIN SIMPLE
La Regresin es una tcnica que se pueden utilizar para solucionar
problemas comunes en los negocios.
Muchos estudios se basan en la creencia de que es posible identificar
y cuantificar alguna Relacin Funcional entre dos o ms variables,
donde una variable depende de la otra variable.
Se puede decir que Y depende de X, en donde Y y X son dos variables
cualquiera en un modelo de Regresin Simple.
"Y es una funcin de X"
Y = f(X)
Como Y depende de X,
Y es la variable dependiente, y
X es la variable independiente.
En el Modelo de Regresin es muy importante identificar cul es la
variable dependiente y cul es la variable independiente.
En el Modelo de Regresin Simple se establece que Y es una funcin
de slo una variable independiente, razn por la cual se le denomina
tambin Regresin Divariada porque slo hay dos variables, una
dependiente y otra independiente y se representa as:
Y = f (X)
"Y est regresando por X"
La variable dependiente es la variable que se desea explicar, predecir.
Tambin se le llama REGRESANDO VARIABLE DE RESPUESTA.
152
15
50
61
DESARROLLO:
Regresin Lineal
I.C. para I.
C.
la media individual
dat
os x
y
Residu
est. al
L. I. L. S. L. I.
x ^2 y ^2 xy
152
50
231
56.4
04
2500 7600 3
-6.43
155
152
L. S.
04
.3
155
157
152
59
231
56.4
04
3481 8968 3
2.57
157
61
246
60.7
49
3721 9577 7
0.23
165
72
272
1188 67.7
25
5184 0
1
4.29
66
262
1069 65.1
44
4356 2
1
0.89
72
316
1281 78.9
84
5184 6
9
-6.99
10
162
178
11
183
84
334
1537 83.3
89
7056 2
2
0.68
12
178
82
316
1459 78.9
84
6724 6
9
3.01
Representacin Grfica
HIPTESIS
HO: No hay relacin entre el variable peso y la variable
estatura.
HA: Hay relacin entre la variable peso y la variable
estatura.
Tabla de anlisis de varianza
Fuente de
Grados de
Variacin
libertad
Debido a
la regresin
error
10
total
11
INTERPRETACIN
Se obtiene:
CONCLUSIN
La ecuacin de Regresin Lineal estimada para las variables
estatura y peso muestran, de acuerdo a la prueba F,
relacin.
Esta relacin se ha estimado en un R = 93.7, que indica una
fuerte relacin positiva.
Adems si consideramos el coeficiente de determinacin R
= 87.9 podemos indicar que el 87.9% de las variaciones
que ocurren en el peso se explicaran por las variaciones en
la variable estatura.
(6.15)
O bien
- =
, se obtiene:
(6.16)
Dadas dos variables aleatorias cualesquiera X e Y , una medida de la
relacin lineal que hay entre ambas variables es el coeficiente de
correlacin definido por
(6.17)
Donde
representa
la
desviacin
tpica
de
la
variable X (anlogamente para
). Un buen estimador de este
parmetro es el coeficiente de correlacin lineal muestral (o
coeficiente de correlacin de Pearson), definido por:
(6.18)
Por tanto, r
. Este coeficiente es una buena medida de la
bondad del ajuste de la recta de regresin. Evidentemente, existe una
estrecha relacin entre r y
aunque estos estimadores proporcionan
diferentes interpretaciones del modelo:
1
'
'
'
Contraste de regresin:
= 0 687 F
p - valor = 0 418. Se
acepta la no influencia de la variable regresora en Y.
R
'
1,18
'
'
'
'
Contraste de regresin:
= 3 252 F
p-valor = 0 088. Se acepta
que no existe relacin lineal con = 0 05. En base a la Figura 6.6. Se
debe de hacer un ajuste del tipo parablico Y = + x + x .
R
'
'
1,18
'
'
'
Contraste de regresin:
= 12 522 F
rechaza la no influencia lineal de la variable x.
R
Relacin
lineal.
'
1,18
p - valor = 0 002. Se
'
estocstica
Existe una fuerte dependencia lineal negativa entre las dos variables
y la correlacin es muy alta (prxima a 1).
r = 0 924, R = 0 846, recta de regresin: y = -2 528 - 2 267x
'
'
'
Contraste de regresin:
= 105 193 F
acepta la existencia de una relacin lineal.
R
'
1,18
'
p - valor = 0 000. Se
'
la
mejor
recta
de
regresin
que
relaciona
la
= mt .
2. La varianza es:
(6.2
0)
3. donde
(6.2
1)
tt
es normal,
Var( t - yt) =
Por la hiptesis de normalidad y razonando como en el apartado
anterior se obtiene
Y
gast
os en
mat
erial
infor
mt.
20
25
13
43
36
30
14
17
7
.
.
50
15
25
28
17
35
29
20
26
14
6
100
200
25
61
46
23
45
28
24
37
.
.
57
46
54
69
62
71
67
36
41
62
300
400
75
107
72
53
53
77
63
74
87
.
500
91
94
100
93
92
90
109
97
111
87
121
113
90
109
118
117
125
121
122
119
la
recta de
de
los
coeficientes
de
las observaciones
de los cuales se
Para
Para
Para
= 0 frente a H :
1
0.
= 0 frente a H :
1
0.
Suma Cuadrados
Gr. libertad
Por la recta
75.602 5
2
e
= 75.602 5
Residual
8.544 7
63
2
R
= 135 6
Global
84.147 1
64
'
'
'
Varianzas
'
'
= 1.314 8
'
El contraste de la F es
Tabla ANOVA
Fuentes Variacin
Suma Cuadrados
Gr. libertad
Por la recta
75.602 5
2
e
scR(1)
314 7
R,1
scR(2)
8.229 9
58
2
R,2
Residual
8.544 7
63
2
R
Global
84.147 1
64
'
'
'
'
'
Varianzas
= 75.602 5
'
= 62 94
'
= 141 89
'
= 135 6
'
= 1.314 8
'
de
determinacin
correlacin
lineal
El coeficiente de determinacin es
El intervalo de confianza es
Prediccin.
Predecir el gasto en material informtico de la empresa
MEGA1 y MEGA2 cuyos ingresos globales son de 300 y 800
millones, respectivamente. Calcular intervalos de prediccin
al 90% para dichas predicciones.
Para la empresa MEGA1, con x = 300, la prediccin de
gasto es
Con varianza
El intervalo de prediccin es
El intervalo de prediccin es
x = 300
x = 800
Estimacin de m
5 180
16 770
39 227
42 346
Prediccin de y
'
'
'
'
y=a 1x1+a2x2+
+adxd+b+e
Donde a1, a2,, ad y b son los coeficientes del modelo y donde es el
residuo, que, como en la Regresin lineal simple, supondremos que
sigue una distribucin normal N (0, DE).
4. Aunque la Regresin lineal mltiple es, en buena parte, una
generalizacin
de
la
Regresin
lineal
simple,
tiene
unas
posible
conviene
trabajar
con
variables
que
sean
revisin
una
nueva
consideracin
de
las
variables
asentado, estable, que refleja una realidad no slo muestral, sino una
realidad poblacional.
con
procedimientos
cuyas
decisiones
cuyas
compartidas
con
la
Regresin
lineal
simple.
puntos excesivamente
de
estimaciones
de
funciones
de
densidad
no
paramtricas.
33. De hecho, los diferentes procedimientos de Regresin no
paramtrica, tanto simple como mltiple, se basan en procedimientos
de construccin, sobre el terreno, partiendo de la muestra, donde
habr una enorme flexibilidad que vendr dada porque la funcin ir
siempre a remolque de la posicin de los valores muestrales que
tengamos.
de
la
variable
dependiente
por
independientes.
CONCLUSIONES
parte
de
las