Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
En general, cualquier modelo de regresin que es lineal en los parmetros (los parmetros) es un modelo de regresin lineal, sin importar la forma de la superficie que genera.
En la diagonal principal se contiene la informacin de la varianza de la variable, as la celda (1,1) contendr la varianza de la primera variable estudiada, en la celda (2,2) la varianza de la segunda y en la celda (3,3) la de la tercera. En el resto de las celdas se reflejar el estadstico de covarianza para cada par de variables.
Si se acepta la de hiptesis nula, se est aceptando que no hay relacin entre Y y Xi, por lo tanto, sta variable se debe sacar del modelo. La estadstica de trabajo se resuelve suponiendo que la hiptesis nula (H0) es verdadera. Dicha estadstica de trabajo es:
Regla de decisin . Si el nmero de observaciones es mayor que 30, los valores de Z se hallan en la distribucin normal. Si el nmero de observaciones es menor o igual a 30 , los valores de Z se hallan en la distribucin t con n-k-1 grados de libertad. Siendo k el nmero de variables independientes en el modelo.
Figura 4.6 Regla de decisin, prueba de hiptesis para Si <T< se acepta la hiptesis nula, en caso contrario se rechaza
Una vez elegidas las variables independientes que realmente influyen en el comportamiento de Y, se pueden construir intervalos de confianza para cada uno de los coeficientes de regresin poblacional ( ) Este intervalo nos proporciona, con una confiabilidad del (1- )%, los valores dentro de los cuales variar Y si Xi vara en una unidad y las dems variables permanecen constantes. El intervalo se construye as:
Como en el caso de la prueba de hiptesis, si n 30 los valores de Z se hallan en la distribucin normal, y si n < 30 los valores de Z se hallan en la distribucin t con n-k-1 grados de libertad.
2.6 Aplicaciones
Mediante el siguiente problema podremos ilustrar la aplicacin de Regresin Multiple: En la Facultad de Ingeniera de Sistemas y Computo de la Universidad "Inca Garcilaso de la Vega" se quiere entender los factores de aprendizaje de los alumnos que cursan la asignatura de PHP, para lo cual se escoge al azar una
muestra de 15 alumnos y ellos registran notas promedios en las asignaturas de Algoritmos, Base de Datos y Programacin como se muestran en el siguiente cuadro.
Alumno 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 PHP 13 13 13 15 16 15 12 13 13 13 11 14 15 15 15 Algoritmos 15 14 16 20 18 16 13 16 15 14 12 16 17 19 13 Base de Datos 15 13 13 14 18 17 15 14 14 13 12 11 16 14 15 Programacin 13 12 14 16 17 15 11 15 13 10 10 14 15 16 10
Lo que buscamos es construir un modelo para determinar la dependencia que exista de aprendizaje reflejada en las notas de la asignatura de PHP, conociendo las notas de las asignaturas Algoritmos, Base de Datos y Programacin. Se presentara la siguiente ecuacin a resolver: Utilizando las frmulas de las ecuaciones normales a los datos obtendremos los coeficientes de regresin o utilizando Regresin de Anlisis de datos, en la Hoja de Clculo de Excel podemos calcular tambin los coeficientes de regresin:
El 69.70% del aprendizaje del Curso de PHP puede ser explicado mediante las notas obtenidas por las asignaturas de Algoritmos, Base de Datos y Programacin