Facultad de Ciencias Forestales

Nombre de la Materia:
Experimentación Forestal

Nombre del trabajo:

Tarea Regresión Lineal

Nombre del profesor:

Dr. José Rodolfo Goche Téllez

Nombre del alumno:

Rafael Antonio Moctezuma Torres

Carrera:
Ingeniería En Ciencias Forestales

Fecha:
26/Noviembre/2019
1. ¿Cuál es el objetivo del modelo de regresión?
El objetivo de un modelo de regresión es tratar de explicar la relación que existe entre una
variable dependiente (variable respuesta) Y un conjunto de variables independientes
(variables explicativas) X1,..., Xn.
2. ¿Qué explica un modelo de regresión lineal simple?
En un modelo de regresión lineal simple tratamos de explicar la relación que existe entre
la variable respuesta Y y una única variable explicativa X
3. ¿El modelo de regresión lineal simple tiene la siguiente expresión: expresión: Y = + X+
ε Defina ,
El modelo de regresión lineal simple tiene la siguiente expresión: Y X =+ + αβ ε
En donde  es la ordenada en el origen (el valor que toma Y cuando X vale 0),  es la
pendiente de la recta (e indica cómo cambia Y al incrementar X en una unidad) y  una
variable que incluye un conjunto grande de factores, cada uno de los cuales influye en la
respuesta sólo en pequeña magnitud, a la que llamaremos error. X e Y son variables
aleatorias, por lo que no se puede establecer una relación lineal exacta entre ellas
4. Defina coeficiente de correlación y coeficiente de determinación
El coeficiente de correlacion trata de medir la dependencia lineal que existe entre las dos
variables. Su cuadrado se denomina coeficiente de determinación, r 2 .
El coeficiente de determinación puede interpretarse como la proporción de variabilidad de
Y que es explicada por X. Mide la proximidad de la recta ajustada a los valores observados
de Y.
5. Mencione las propiedades del coeficiente de correlación
a) No tiene dimensión, y siempre toma valores en [-1,1]. b) Si las variables son
independientes, entonces r=0, pero el inverso no tiene por qué ser cierto. c) Si existe una
relación lineal exacta entre X e Y, entonces r valdría 1 (relación directa) ó -1 (relación
inversa). d) Si r>0, esto indica una relación directa entre las variables (es decir, que si
aumentamos X, también aumenta Y). e) Si r<0, la correlación entre las variables es inversa
(si aumentamos una, la otra disminuye).
6. En un análisis de regresión, defina la hipótesis nula, e indique que sucede si aceptamos
la hipótesis nula.
Si aceptamos la hipótesis nula concluimos que no hay evidencias de que haya una relación
lineal entre las variables y el modelo, en principio, no es apropiado. Puede haber una
relación lineal en la población pero la muestra elegida no la detecta.
Si rechazamos la hipótesis nula concluimos que el modelo lineal es apropiado. Puede que
exista una relación NO-LINEAL pero los datos son también consistentes con un modelo
lineal.
7. Indique y definas los supuestos del modelo de regresión lineal
 Independencia: los residuos deben ser independientes entre sí.
 Homocedasticidad (igualdad de varianzas): para cada valor de la variable X, la
varianza de los residuos e=(yi= yi ) debe ser la misma (es decir, que el ajuste es
igual de preciso independientemente de los valores que tome X).
 Normalidad: para cada valor de la variable X, los residuos ei tienen distribución
normal de media cero.
8. Ejemplifique una relación entre variables directa y una inversa
Indica si las variables son inversamente proporcionales. Ejemplo:
La velocidad de un auto y el tiempo empleado en recorrer el mismo trayecto.
Respuesta: Son inversamente proporcionales, ya que, a espacio constante, con el doble,
triple... velocidad, el auto tardará la mitad, tercera parte... de tiempo en recorrerlo.
9. Defina diagrama de dispersión, e indique que tipo de información presenta.
Un diagrama de dispersión o gráfica de dispersión o gráfico de burbujas es un tipo de
diagrama matemático que utiliza las coordenadas cartesianas para mostrar los valores de
dos variables para un conjunto de datos.
10. Represente mediante un diagrama las siguientes relaciones: a) Relación lineal negativa,
b) Relación curvilínea positiva, c) Relación curvilínea en U y d) No existe relación.

a) b)

c) d)

11. Para qué sirve el método de mínimos cuadrados y cuáles son los supuestos que debe
cumplir.
Este método consiste en minimizarla suma de los cuadrados de los errores:

Es decir, la suma de los cuadrados de las diferencias entre los valores reales observados
(yi) y los valores estimados (ˆiy).
Supuesto 1
El modelo de regresión es lineal en los parámetros:
Yi = 1 + 2*Xi +i

La linealidad de los parámetros se refiere a que los ´s son

elevados solamente a la primera potencia.

Supuesto 2

Los valores que toma el regresor X son considerados fijos en muestreo repetido. Esto
quiere decir que la variable X se considera no estocástica. Este supuesto implica que el
análisis de regresión es un análisis condicionado a los valores dados del (los) regresores.

Supuesto 3

Dado el valor de X, el valor esperado del término aleatorio de perturbación

i es cero.

E ( i/Xi ) = 0

Cada población de Y corresponde a un X dado, está distribuida alrededor de los valores de

su media con algunos valores de Y por encima y otros por debajo de ésta. Las distancias
por encima y por debajo de los valores medios son los errores, y la ecuación antes
señalada requiere que en promedio estos valores sean cero.

Supuesto 4

Homoscedasticidad. Dado el valor de X, la varianza de i es

la misma para todas las observaciones.

Var (i/Xi ) = E (i - E(i)/ Xi)2

= E (i2/Xi )

=2

Esta ecuación señala que la varianza de las perturbaciones para cada Xi es algún número
positivo igual a 2.

Homoscedastidad significa igual dispersión, en otras palabras significa que las poblaciones
Y correspondientes a diversos valores de X tienen la misma varianza. Por el contrario, se
dice que existe heteroscedasticidad cuando la varianza poblacional, ya no es la misma en
cada muestra. El supuesto de homoscedasticidad está indicando que todos los valores de Y
correspondientes a diversos valores de X son igualmente importantes.
Supuesto 5

Dados dos valores cualquiera de X, Xi y Xj ( i " j ), la correlación entre

iy j cualquiera ( i " j ) es
cero.

Cov ( i, j / Xi, Xj ) = E (i - E(i)/ Xi) (j - E (j/Xj ))

= E (i/Xi ) (j/Xj )

=0

Este supuesto indica que las perturbaciones no están correlacionadas. Esto significa que
los errores no siguen patrones sistemáticos. La implicancia del no cumplimiento de este
supuesto (existencia de autocorrelación) implicaría que Yt no depende tan sólo de Xt sino
también de t-1, puesto que
t-1 determina en cierta forma a
t.

Supuesto 6

La covarianza entre i y Xi es cero, formalmente:

Cov (i/Xi ) = E (i - E(i)) (Xi - E(Xi))

= E (i (Xi - E(Xi)))

= E (i Xi - E(Xi) E(i))

= E (i Xi)

=0

Este supuesto indica que la variable X y las perturbaciones no están correlacionadas. Si X y

estuvieran relacionadas, no podrían realizarse inferencias
sobre el comportamiento de la variable endógena ante cambios en las variables
explicativas.

Supuesto 7

El número de observaciones debe ser mayor que el número de parámetros a estimar.

Supuesto 8
 Debe existir variabilidad en los valores de X. No todos los valores de una muestra
dada deben ser iguales.Técnicamente la varianza de X debe ser un número finito positivo.
Si todos los valores de X son idénticos entonces se hace imposible la estimación de los
parámetros.

Supuesto 9

El modelo de regresión debe ser correctamente especificado, esto indica que no existe
ningún en el modelo a estimar. La especificación incorrecta o la omisión de variables
importantes, harán muy cuestionable la validez de la interpretación de la regresión
estimada.

Supuesto 10

No hay relaciones perfectamente lineales entre las variables explicativas. No existe

multicolinealidad perfecta. Aunque todas las variables económicas muestran algún grado
de relación entre sí, ello no produce excesivas dificultades, excepto cuando se llega a una
situación de dependencia total, que es lo que se excluyó al afirmar que las variables
explicativas son linealmente dependientes.