Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 20 vistas

    1.2 Rosas Martinez Frida Vanessa

    Cargado por

    Frida Mtz

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    1.2 Rosas Martinez Frida Vanessa

    Cargado por

    Frida Mtz
    20 vistas7 páginas

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    20 vistas7 páginas

    1.2 Rosas Martinez Frida Vanessa

    Cargado por

    Frida Mtz

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 7

    ROSAS MARTINEZ FRIDA VANESSA

    IGEA ESTADISTICA INFERENCIAL II

    INSTITUTO TECNOLÓGICO DE MATEHUALA


    INGENIERÍA EN GESTIÓN EMPRESARIAL

    ESTADÍSTICA INFERENCIAL II

    UNIDAD 1- REGRESIÓN LINEAL SIMPLE


    Y CORRELACIÓN

    TEMA 1.2- SUPUESTOS

    Rosas Martínez Frida Vanessa

    5TO SEMESTRE, GPO. A

    Matehuala S.L.P. a 02 DE AGOSTO DEL 2020


    ROSAS MARTINEZ FRIDA VANESSA
    IGEA ESTADISTICA INFERENCIAL II

    TEMA 1.2- SUPUESTOS


    En estadística la regresión lineal o ajuste lineal es un método matemático que
    modeliza la relación entre una variable dependiente Y, las variables independientes
    Xi y un término aleatorio ε.

    Para poder crear un modelo de regresión lineal, es necesario que se cumpla con los
    siguientes supuestos:

    1. Que la relación entre las variables sea lineal.


    2. Que los errores en la medición de las variables explicativas sean independientes
    entre sí.
    3. Que los errores tengan varianza constante. (Homocedasticidad)
    4. Que los errores tengan una esperanza matemática igual a cero (los errores de una
    misma magnitud y distinto signo son equiprobables).
    5. Que el error total sea la suma de todos los errores.
    6. Los valores de la variable independiente X son fijos, medidos sin error.
    7. La variable Y es aleatoria
    8. Para cada valor de X, existe una distribución normal de valores de Y (subpoblaciones
    Y)
    9. Las variancias de las subpoblaciones Y son todas iguales.
    10. Todas las medias de las subpoblaciones de Y están sobre la recta.
    11. Los valores de Y están normalmente distribuidos y son estadísticamente
    independientes.
    ROSAS MARTINEZ FRIDA VANESSA
    IGEA ESTADISTICA INFERENCIAL II

    EJEMPLOS:

    SUPUESTO DE LINEALIDAD

    Existe linealidad si se presenta una relación significativa entre la variable que se


    quiere predecir y las otras variables. Puede usarse el coeficiente "R cuadrado
    ajustado", para saber si existe linealidad (mayor o igual a 0.7 suele ser "indicio" de
    linealidad)

    Ejemplo en R:
    ROSAS MARTINEZ FRIDA VANESSA
    IGEA ESTADISTICA INFERENCIAL II

    SUPUESTO DE INDEPENDENCIA DE LOS RESIDUOS

    Este supuesto asume que los residuos no están auto-correlacionados, por lo


    cual son independientes. La autocorrelacion es cuando el residuo en la
    predicción de un valor es afectado por el residuo en la predicción del valor
    más cercano. Esta autocorrelacion suele presentarse en series de tiempo.

    Para validar la independencia de los residuos puede usarse el test durbin-


    watson, cuyo resultado estará cerca de 2 cuando los residuos son
    independientes. Si el valor está entre 1.5 y 2.5 puede concluirse que no
    existe dependencia de los residuos.
    ROSAS MARTINEZ FRIDA VANESSA
    IGEA ESTADISTICA INFERENCIAL II

    SUPUESTO DE RESIDUOS CONSTANTE

    Este supuesto asume que los residuos en las predicciones son constantes en cada
    predicción (es decir, varianza constante). Este supuesto valida que los residuos no
    aumentan ni disminuye cuando se predicen valores cada vez más altos o más
    pequeños. A esta constancia en los errores de predicción le dicen
    "homocedasticidad", y cuando los errores varían, le dicen "heterocedasticidad".
    ROSAS MARTINEZ FRIDA VANESSA
    IGEA ESTADISTICA INFERENCIAL II

    SUPUESTO DE NORMALIDAD DE RESIDUOS

    Este supuesto asume que los residuos deben presentar una distribución normal, y la ausencia
    de normalidad supone poca precisión en los intervalos de confianza creados por el modelo.
    ROSAS MARTINEZ FRIDA VANESSA
    IGEA ESTADISTICA INFERENCIAL II

    Otras pruebas para validar el supuesto de normalidad son: prueba de asimetría y


    kurtosis, prueba de chi-cuadrado, prueba de residuos estandarizados, prueba de
    Kolmogorov-Smirnov-Liliefors, etc..

    Fuente Consultada:

    Polanco, A. (26 de enero de 2006). estadis_desc_educ. Obtenido de


    https://sites.google.com/site/estadisdesceduc/home/unidad-1/regresion-y-
    correlacionlineal

    Desconocido. (19 de abril de 2015). Machine Learning con R. Obtenido de http://apuntes-


    r.blogspot.com/2015/04/supuestos-en-regresion-lineal.html

    También podría gustarte