INSTITUTO TECNOLGICO DE CAMPECHE

INGENIERA EN GESTIN EMPRESARIAL

NMERO Y NOMBRE DEL TRABAJO:

1.- TEMAS DE INVESTIGACIN CONCEPTUAL
NOMBRE Y NMERO DE LA UNIDAD:
UNIDAD 1 .- REGRESIN LINEAL SIMPLE Y CORRELACIN

NOMBRE DEL ALUMNO: UC CHAN RAFAEL

NOMBRE DEL PROFESOR: RAMN AGUSTN BOCOS PATRN
ESTADSTICA INFERENCIAL II
GRUPO: MG5

SAN FCO. DE CAMPECHE CAMP. A 6 DE SEPTIEMBRE DEL 2017.

NDICE
Competencia especfica a desarrollar ..... 3
Introduccin..
La regresin lineal simple..... 4
Una definicin formal de la R. L. S. ...... 5
El diagrama de dispersin ....6
Tipos de modelos de regresin..
Determinacin de la ecuacin de R. L. S. 8
Interpretacin de la pendiente del modelo
Suposiciones en la R. L. S 9
Inferencias en la R. L. S ..10
Evaluacin de la adecuacin del modelo de regresin .. 11-12
El coeficiente de determinacin..13
El anlisis de correlacin 15
Bibliografa16

2
 COMPETENCIA A DESARROLLAR
Es objetivo de esta unidad es analizar los conceptos fundamentales de regresin simple y
correlacin tanto en el desarrollo y aplicacin del mbito empresarial.

INTRODUCCIN
A continuacin se buscara un anlisis de la estadstica inferencial con el nmero de unidad
del uso de la regresin lineal simple es muy utilizado para observar el tipo relacin que
existe entre dos variables y poder a llevar a cabo la toma de decisiones correspondiente
dependiendo de la relacin entre dichas variables as por la relacin entre las variables
involucradas y en consecuencia la decisin podra ser buscar cual es la variable dependiente
que influya sobre la independientes y realizar un estudio en buscar de un resultado
obtenido

3
CONTENIDO
La regresin lineal simple
-Antecedentes
La palabra regresin se us por primera vez en contexto por Francis Galton (1822-1911)
en sus estudios biolgicos sobre herencia, de manera bsica, la regresin tiene dos
significados: uno surge de la distribucin conjunta de probabilidad de dos variables
aleatoria; el otro es emprico y nace de la necesidad de ajustar algn funcin a un conjunto
de datos. El anlisis de regresin es la parte de la estadstica que se ocupa de investigar la
relacin entre dos o ms variables relacionadas en una forma no determinstica. La
regresin lineal simple examina la relacin lineal entre dos variables continuas: una
respuesta (Y) y un predictor (X). Cuando las dos variables estn relacionadas, es posible
predecir un valor de respuesta a partir de un valor predictor con una exactitud mayor que
la asociada nicamente a las probabilidades

Mediciones invariables, bivariables y multivariables en estadstica

En la estadstica est basado en las matemticas y en este caso es de variables ya sea por
mediciones para establecer cmo se van a medir, ejemplo:
-Factores econmicos y culturales relacionados con el rendimiento acadmico de los
estudiantes
-Las variables deben ser claramente definidas para entender claramente el objetivo de la
variable.
-Otro tcnico serio anlisis de datos ya sea por cuantitativa y cualitativa.
Ejemplo de una medicin (univariable, bivariable y multivariable.

4
 Definicin
Un modelo de regresin es un modelo que permite describir cmo influye una variable X
sobre otra variable Y.

Tiene como propsito de prediccin que permite desarrollar un modelo estadstico que se
pueda usar para predecir los valores de una variable dependiente o de respuestas basados
en los valores de al menos una variable independiente o explicita.
Si 1 > 0 hay relacin lineal positiva.
Si 1 < 0 hay relacin lineal negativa
Relacin positiva Relacin negativa

Diagrama de dispersin
Es una grfica en la que cada punto trazado representa un par de valores observados por
las variables independiente y dependiente. El valor la variable independiente X, se traza en
relacin con el eje horizontal y el valor de la variable dependiente Y, en relacin con el eje
vertical.

5
Los mtodos de regresin se utilizan con frecuencia para analizar datos de experimentos no
planeados, tambin son muy tiles en experimentos diseados cuando algo sali mal.

Tipos de modelos de Regresin

En primer lugar, en funcin del nmero de variables independientes:

Regresin simple: Cuando la variable Y depende nicamente de una nica

variable X.

Regresin mltiple: Cuando la variable Y depende de varias variables (X1, X2, ..., Xr)

En segundo lugar, en funcin del tipo de funcin f(X):

Regresin lineal: Cuando f(X) es una funcin lineal.

Regresin no lineal: Cuando f(X) no es una funcin lineal.

En tercer lugar, en funcin de la naturaleza de la relacin que exista entre las dos variables:

La variable X puede ser la causa del valor de la variable Y

Determinacin de la ecuacin de R. L. S.

Mtodo de mnimos cuadrados

Un procedimiento para ajustar la mejor recta Y para estimar 0 1 es mediante el mtodo
de mnimos cuadrados, lo cual consiste
Ejemplo:

De esta forma, se quieren encontrar los valores de 0 1 que minimizan la suma de los
errores cuadrados. Es decir, se busca ajustar la recta de manera que la suma de las
distancias en forma vertical de los puntos a la recta se minimice.

6
El procedimiento matemtico para minimizar los errores de la ecuacin y as encontrar los
estimadores de mnimos cuadrados de 0 1 , consiste en derivar a S con respecto a 0,

y derivar tambin a S con respecto a 1, , se obtiene:
0 1

Al igualar a cero las dos ecuaciones y resolverlas en forma simultnea con respecto a las dos
incgnitas (0 1 ), se obtiene la solucin nica:

Donde;

x, y son las medias mustrales de las dos variables, es decir,

Determinacin de los coeficientes

0 - Es el punto en el cual la lnea recta intercepta o cruza el eje Y.
1 Es la pendiente de la lnea, es decir, la cantidad en que se incrementa o disminuye la
variable Y por cada unidad que se incrementa X.

7
Ajuste e interpretacin de la recta
Un aspecto importante del anlisis de regresin es, simplemente, estimar los parmetros
y (es decir, estimar los llamados coeficientes de regresin). En la seccin siguiente se
estudiar el mtodo para estimarlos. Suponga que los estimados de y se denotan con a
y b, respectivamente. Entonces, la recta de regresin ajustada, o estimada, est dada por
y = a + bX, donde y es el valor pronosticado o ajustado
Se refiere a encontrar la lnea recta que mejor se a juste a os datos que se puede definirse
de varias maneras. Quizs la ms sencilla sea encontrar la lnea recta para la cual las
diferencias entre los valores reales y los valores pronosticados a partir de la regla ajustada
de regresin sea tan pequeas como sea posible.

Ejemplo de una interpretacin de una recta

Interpretacin de la pendiente del modelo

Ejemplo
Suponga que el gerente de una cadena de servicios de entrega de paquetera desea
desarrollar un modelo para predecir las ventas semanales (en miles de dlares) para las
tiendas individuales basado en el nmero de clientes que realizan compras. Se seleccion
una muestra aleatoria entre todas las tiendas de la cadena con los siguientes resultados.

8
(a) Grafique el diagrama de dispersin.
(b) Suponga una relacin lineal y utilice el mtodo de mnimos cuadrados para encontrar
los coeficientes de regresin y
(c) Interprete el significado de la pendiente.
(d) Pronostique las ventas semanales (en miles de dlares) para las tiendas que tienen 600
clientes.
(e) Qu otros factores adems del nmero de clientes pueden afectar las ventas?

Solucin
a)

b) Los coeficientes son = 2,3086 y = 0,0088

c) Por cada cliente ms, se espera un incremento en las ventas de 0,0088612 de miles de
dlares en promedio.
d) = 2,3086 + 0,0088612(600) = 7,6252
e) Factores tan variados como, atencin al cliente, lejana, falta de estacionamiento etc.,
etc.

9
 Suposiciones en la R. L. S.
Las suposiciones para la regresin lineal son:
- Los valores de la variable independiente son fijos, a se le llama variable no
aleatoria.
- Para cada valor de hay una subpovblacion de valores de y cada subpoblacin de
valores de y cada subpoblacin de valores de debe estar normalmente distribuida.
- La varianzas de las subpoblaciones de deben ser iguales.
- Las medias de las subpoblaciones de todas estn sobre una recta. (suposicin de
linealidad).
- Los valores de son estadsticamente independientes; es decir, los valores de
correspondientes a un valor de no dependen de los valores de para otro valor
de .

Inferencias en la R. L. S.

Error estndar de la estimacin

Una medicin sobre la calidad del ajuste de un modelo lo da el error estndar de estimacin,
que es una estimacin de la desviacin estndar del error . En el caso de la regresin lineal
simple, est dado por:

10
 - I. de C. para ( pendiente y ordenada del modelo)
La pendiente 1 de la lnea de regresin de la poblacin es el cambio promedio verdadero
en la variable dependiente y asociada con un incremento de una unidad en la variable
independiente x.
La pendiente 1 de la lnea de regresin de la poblacin es el cambio promedio verdadero
en la variable dependiente y asociada con un incremento de una unidad en la variable
independiente x. La pendiente de la lnea de mnimos cuadrados 1 , da una estimacin
puntual de 1 Del mismo modo que un intervalo de confianza para _ y los procedimientos
para probar hiptesis con respecto a _ se basaron en propiedades de la distribucin de
muestreo X las inferencias adicionales sobre 1 estn basadas en considerar a 1 como
un estadstico e investigar su distribucin de muestreo. Se supone que los valores de las xi
se eligen antes de realizar el experimento, as que slo las Yi son aleatorias. Los estimadores
(estadsticos, y por lo tanto variables aleatorias) de se eligen antes de realizar el
experimento, as que
slo las Yi son aleatorias. Los estimadores (estadsticos, y por lo tanto variables aleatorias)
de 1 se obtienen reemplazando yi por Yi en se obtienen reemplazando yi por Yi en:

11
- I. de C. para la media ,

12
 - I. de C. de prediccin de Y

- Anlisis residual

El coeficiente de determinacin
Est dado por

Se interpreta como la proporcin de variacin y observada que puede ser explicada por el
modelo de regresin lineal simple entre y y x.

13
 El anlisis de correlacin

14
- Prueba de Hiptesis

15
BIBLIOGRAFA
- Estadstica Inferencial II Instituto Tecnolgico de Ensenada,- Raul Jimenez
Gonzlez.
- Diseo y anlisis de experimentos Douglas C. Montgomry segunda edicin
Universidad Estatal de Arizona.
- Probabilidad y Estadstica (Aplicaciones y mtodos) -. George C. Canavos
Probabilidad y Estadstica (Para Ciencias Qumica- Biolgicas) Maria Jose Marques
de Cant

16