Estadística Inferencial II

Estadística Inferencial II
GILDARDO CORTÉS BELLO
AGOSTO DE 2021
Regresión lineal simple y correlación
1.1 Modelo de regresión simple.

1.2 Supuestos.
1.3 Determinación de la ecuación de regresión.
1.4 Medidas de variación.
1.5 Cálculo de los coeficientes de correlación y de determinación.
1.6 Análisis residual.
1.7 Inferencias acerca de la pendiente.
1.8 Aplicaciones
Modelos de regresión simple
El análisis de regresión se usa con el propósito de predicción. La meta del

análisis de regresión es desarrollar un modelo estadístico que se pueda
usar para predecir los valores de una variable dependiente o de respuesta
basados en los valores de al menos una variable independiente o explicita
(explicativa) .
Este subtema se centra en un modelo de regresión lineal simple, que usa

una variable numérica independiente para predecir la variable numérica
dependiente .
Para establecer una relación cuantitativa entre “x” y “y” es necesario
disponer de cierta información muestral.
Esta información consiste de un conjunto de pares de observaciones

de “x” y “y”, donde cada uno de estos pares pertenece a una unidad
elemental particular de la muestra.
Por ejemplo, suponga que el rendimiento de un proceso químico está
relacionado con la temperatura de operación, o la experiencia profesional
de los trabajadores y sus respectivos sueldos, las estaturas y pesos de
personas, la producción agraria y la cantidad de fertilizantes utilizados,
etc.
Si mediante un modelo matemático es posible describir tal relación,

entonces este modelo puede ser usado para propósitos de predicción,
optimización o control.
Porcentaje de Resistencia
Modelos de regresión simple fibra
(x)
(y)
4 134
6 145
Para ilustrar el concepto, 8 142
considérense los datos de la tabla 10 149
1.1. En esta tabla, se relaciona la 12 144

14 160
cantidad de fibra (madera) en la 16 156
pulpa con la resistencia del 18 157
producto (papel). 20 168
22 166
24 167
26 171
28 174
30 183
Es claro que la variable de respuesta o variable dependiente es la
resistencia, por eso se denota con “y” . Para tener una idea de la
relación que existe entre “x” y “y” , los 14 pares de datos son graficados
en un diagrama de dispersión de la figura 1.1. De la inspección de este
diagrama de dispersión se ve que los puntos cercanos siguen una línea
recta, lo que indica que la suposición de linealidad entre las dos
variables parece ser razonable
El diagrama de dispersión es una grafica en la que cada punto trazado
representa un par de valores observados por las variables independiente
y dependiente. El valor de la variable independiente X, se traza en
relación con el eje horizontal y el valor de la variable dependiente Y, en
relación con el eje vertical. La naturaleza de la relación entre dos
variables puede tomar muchas formas, que van desde algunas
funciones
Gráfica de dispersión de Resistencia vs. Porcentaje de fibra
200
180
160
140
120
100
80
60
40
20
0
0 5 10 15 20 25 30 35
Figura 1.1 Diagrama de dispersión para los datos de resistencia de la pulpa

La relación del modelo
matemático adecuado tiene
influencia de la distribución
de los valores y en el
diagrama de dispersión. Es
sencillo ver esto si se
examinan las siguientes
graficas (figura 1.2)
Figura 1.2 Relación entre dos variables

En la grafica A se observa que los valores de Y, en general, aumentan en forma

lineal cuando se incrementa .
En la grafica B es un ejemplo de una relación lineal negativa. Cuando crece, se

observa que los valores de Y decrecen. Un ejemplo de este tipo de relación
puede ser el precio de un producto específico y la cantidad de ventas.
En la grafica C se muestra un conjunto de datos en el que

existe muy poca o
ninguna relación entre “x” y “y”. Para cada valor de “x” aparecen
valores altos y bajos de “y”.
En la grafica D muestran una relación curvilínea entre “x” y “y”.

Los valores de “y” aumentan cuando crece, pero el incremento
disminuye para valores altos de “x”, un ejemplo de esta relación
curvilínea puede ser la edad y el costo de mantenimiento de
una maquina. Cuando la máquina tiene muchos años, el costo
de mantenimiento se eleva con rapidez al principio, pero
después de cierto número de años se nivela.
En la grafica E muestra una relación parabólica o en forma de U entre “x” y “y”.
Conforme aumenta “x”, al principio “y” disminuye; pero si “x” aumenta más, “y” no sólo
deja de disminuir sino que aumenta después de su valor mínimo. Un ejemplo tipo de
relación puede ser el número de errores por hora en una tarea y número de horas
trabajadas.
Por ultimo en la grafica F indica una relación exponencial o curvilínea negativa entre “x” y
“y”. en este caso, “y” disminuye con rapidez al principio del incremento de “x” pero después,
cuando “x” aumenta más, la velocidad de disminución es mucho menor. Un ejemplo de esta
relación exponencial puede ser el valor de reventa de un tipo dado de automóvil y los años
que tiene. El primer año el valor baja en forma drástica respeto a su precio original; sin
embargo, la disminución es mucho más lenta en los años subsecuentes.
1.2 Supuestos.
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.
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”.
1.2 Supuestos.
¿Cuáles son los supuestos del modelo de regresión lineal simple?
Como se sabe, el modelo de regresión lineal ha de cumplir una serie de

supuestos que garanticen su correcta aplicación, a saber.
a) Linealidad
b) normalidad
c) homocedasticidad
d) independencia de errores.
Con ellos procederemos a iniciar el estudio de los supuestos del modelo.

1.2 Supuestos.
¿Qué es el supuesto de linealidad?
El supuesto de la linealidad implica que la relación entre las variables sea lineal.
En los diagramas de dispersión parcial de cada variable independiente se ha

eliminado el efecto proveniente de las otras variables.
De esta manera, se muestra la relación neta entre las variables representadas

¿Cuáles son los supuestos de normalidad?
El supuesto de normalidad estacionaria es esencial para diversas

áreas del análisis financiero.
Desde el cálculo del valor en riesgo de una posición hasta la

simulación estocástica del precio de un activo financiero, la inclusión
del supuesto es recurrente y definitiva.
¿Qué tipo de estudios se pueden hacer con el
supuesto de normalidad?
CONTRASTES DE NORMALIDAD.
Un caso específico de ajuste a una distribución teórica

es la correspondiente a la distribución normal. ... Para
comprobar la hipótesis nula de que la muestra ha sido
extraída de una población con distribución de
probabilidad normal se puede realizar un estudio
gráfico y/o analítico.
¿Qué es el supuesto de independencia?
El supuesto de la independencia de los errores implica que los

errores en la medición de las variables explicativas sean
independientes entre sí.
El supuesto de la homocedasticidad implica que los errores tengan

varianza constante
¿Qué es el supuesto de homocedasticidad?
El supuesto de la homocedasticidad implica que los errores tengan

varianza del error sea constante
¿Qué son las medidas de variabilidad?
Las medidas de variabilidad, también llamadas medidas de

dispersión, son indicadores estadísticos que señalan cuán cercanos
o alejados se encuentran los datos de su media aritmética. Si los
datos están cercanos a la media, la distribución está concentrada, y
si están lejos, se trata entonces de una distribución dispersa.
Hay muchas medidas de variabilidad, entre las más conocidas están:
• Rango
• Desviación media
• Varianza
• Desviación estándar
Estas medidas complementan a las medidas de tendencia central y

son necesarias para comprender la distribución de los datos obtenidos
y extraer de ellos la mayor cantidad de información posible.
Rango
El rango o recorrido mide la amplitud de un conjunto de datos. Para

determinar su valor se halla la diferencia entre el dato de mayor valor
xmáx y el de menor valor xmín:
R  xmáx  xmín
Si los datos no están sueltos sino agrupados por intervalo, entonces el
rango se calcula mediante la diferencia entre el límite superior del
último intervalo y el límite inferior del primer intervalo.
Cuando el rango es un valor pequeño significa que todos los datos
están bastante cercanos entre sí, pero un rango grande señala que hay
mucha variabilidad.
Es evidente que, aparte del límite superior y el límite inferior de los
datos, el rango no toma en cuenta los valores entre ellos, por lo que no
es recomendable utilizarlo cuando el número de datos es grande.
Sin embargo resulta una medida inmediata de calcular y tiene las
mismas unidades de los datos, por ello es fácil interpretarla.
Bibliografía
1. GUTIERREZ, P. H y DE LA VARA, S. R. 2008. Segunda edición. Análisis y Diseño de
Experimentos. Mc Graw Hill.
2. MONTGOMERY, C.D.; G.C, RUNGER. 2010. Segunda edición. Probabilidad y
Estadística. LIMUSA WILEY
3. MONTGOMERY, C.D. Diseño y Análisis de Experimentos. Segunda edición. LIMUSA
WILEY
4. WALPOLE, R.; MAYERS, R.H.; MAYERS, S.L. 1998. Sexta edición. Probabilidad y
Estadística Para Ingenieros. Pearson Education
5. ANDERSON, D.R.; SWEENEY, D.J.; WILLIAMS, T.A.2005. Octava edición. Estadística
para Administración y Economía. MATH LEARNING
6. BERENSON, M.L.; LEVINE, D.M.; KREHBIEL, T.C. 2001. Segunda edición. Estadística
para Administración. Prentice Hall.

Estadística Inferencial II

Cargado por

Copyright:

Formatos disponibles

Estadística Inferencial II

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estadística Inferencial II

Cargado por

Copyright:

Formatos disponibles

Estadística Inferencial II

GILDARDO CORTÉS BELLO

1.1 Modelo de regresión simple.

El análisis de regresión se usa con el propósito de predicción. La meta del

Este subtema se centra en un modelo de regresión lineal simple, que usa

Esta información consiste de un conjunto de pares de observaciones

Si mediante un modelo matemático es posible describir tal relación,

1.1. En esta tabla, se relaciona la 12 144

Figura 1.1 Diagrama de dispersión para los datos de resistencia de la pulpa

Figura 1.2 Relación entre dos variables

En la grafica A se observa que los valores de Y, en general, aumentan en forma

En la grafica B es un ejemplo de una relación lineal negativa. Cuando crece, se

En la grafica C se muestra un conjunto de datos en el que

En la grafica D muestran una relación curvilínea entre “x” y “y”.

En la grafica E muestra una relación parabólica o en forma de U entre “x” y “y”.

En un modelo de regresión lineal simple tratamos de explicar la relación que

Como se sabe, el modelo de regresión lineal ha de cumplir una serie de

Con ellos procederemos a iniciar el estudio de los supuestos del modelo.

En los diagramas de dispersión parcial de cada variable independiente se ha

De esta manera, se muestra la relación neta entre las variables representadas

¿Cuáles son los supuestos de normalidad?

El supuesto de normalidad estacionaria es esencial para diversas

Desde el cálculo del valor en riesgo de una posición hasta la

Un caso específico de ajuste a una distribución teórica

¿Qué es el supuesto de independencia?

El supuesto de la independencia de los errores implica que los

El supuesto de la homocedasticidad implica que los errores tengan

¿Qué es el supuesto de homocedasticidad?

El supuesto de la homocedasticidad implica que los errores tengan

¿Qué son las medidas de variabilidad?

Las medidas de variabilidad, también llamadas medidas de

Estas medidas complementan a las medidas de tendencia central y

El rango o recorrido mide la amplitud de un conjunto de datos. Para

También podría gustarte