CAPITULO 1 ANALISIS DE REGRESION El andlisis de regresin es uno de los métodos més utilizados para hacer estimaciones,y se emplea cuando exist relacin entre dos o més variables. El andlss de regresin, se basa en las observaciones que se realizan para cada una de las variables, donde se da a conocer una ecuacién matemstca que indica Ia relacion de ‘estas variables; cuando se tiene una ecuacion esti se utiliza para poder estimar valores fonuros que puede tener una variable. En cualquier tipo de probkima se deben fener muy bien estudiadas ¢ identifcadas las variables que existen en digho-problema, a estas ‘avibles se les conace como variable depeniente(Y),y variable indpendente (in ‘Cuando es usada la rege acerque lo mys posible a los puntos dados. La regresién se emplea en ia estimacion de una i6n permite encontrar una ecuscion y trazar una linea que se relacion que puede existir en una poblacién, Los datos obtenidos para realizar el anilisis de regresi6n, provienen de observaciones de las variables relacionadas + REGRESION LINEAL QUE RS REGRESION LINEAL? Para tener un eonosimiento més exacto de lo que es rgresin lineal, primeramente se daria conocer la definicin de regresin y después de lnealidad. Regresén es el proceso general de predecir una variable a partir de otra con mesos estadistios, usando datos anteriores.) Linealidad es la linea ajustada a un conjunto de puntos de datos para estima la relacién entre dos varibles.«) Por lo que regresin lineal ese! desarrollo de una ecuacidi (0) naps Adendos, Re Lenade estimacién que describe la relacién entre dos variables. La regresién lineal tiene wna Jfinatidad micy importante que es la de estimar los valores de una variable con base a los conocidos de la otra.) Cuando es utilizado este modelo para predicciones, es importante que solo se considere lorelevante de la variable independiente. Los valores de la variable dependiente se predicen cuando es conocida la variable independiente. . Algunas de las caracteristicas de la ecuacién lineal. son: 1) La pendiente de la recta 2) La localizacién de la recta en algin punto. Con steadlisisno se puede esablees una vara pede nr en on valde a otra + SUPOSICIONES DE LA REGRESION LINEAL |.-Normalidadl- Todos los valores obtenidos para ¥, deben estar distribuidos normalmente en cada valor de X. * 2,-Homoscedasticidad.- Los valores de los puntos alrededor de la linea de regresién, son constantes para todos los valores de X. 3-Independencia del error.- Es necesario que el valor se independice de cada valor de Y.@) 4 Linealidad.- La relacion existente entre las variables es lineal. * RIESGOS DE LA REGRESION LINEAL El proceso de anilisis estadistco no puede establecer o determinar relaciones causales. El conocimiento de las causas debe venir del entendimiento de la fisica o naturaleza del sistema. Se hipotetizan causas para obtener soporte con respecto a la verdad de la hipotesis| con la experimentacién y el proceso de experimentacién. No se puede probar causa y efecto al mostrar su correlacion. 1) (0) tats pr Adios Rn, Leva (2) sas Bsa en Adan. Been einDIAGRAMA DE DISPERSION El diagrama de dispersién es la grifiea donde se encuentran todos los puntos de las ‘observaciones, tanto de la variable dependiente como la variable independiente.2) El diagrama de dispersién observa que 1) Debe existrrelacion tinea entre las dos variables ( X,Y ), dentro de cierto rango de variacién, . 2) No es el mismo valor para las dos variables. . El diagrama de dispersin puede revelamos dos tipos de inforinacién. 1) Relacién de las variables. oon 2) Tipo de linea o ecuacién de estimacién, Posible relacién entre X y ¥ en los Diagramas de Dispersién «) | A JCal dete ” — B) ) Lineal inverso ~@ Cunilineo TndifGeto e)LinealTaverso confhés 1) Sinvelacion dispersion, ©) Cunvlineo Dives 4 (©) Prot y Ext pind angela Mongoose 2) Extds pr Adina y Eco Wins 1. Steven 3) Estas pr Aminitadres Richa | 1‘METODO DE MINIMOS CUADRADOS EI método de minimos cuadrados permite ajustar los datos observados a la linea recte, ‘este ajuste se obtendra minimizando el error entre los puntos estimados (¥) y los observados (Y). Se le lama método de minimos cuadrados porque en la linea de estimacion se busca tminimizar la suma de cuadrados de los errores. Con este méjodo debe calcularse la Pendiente dela linea de estimacin()y Ia itersecién en Y ( Py). Al conocer estos dos factores conocemos la ecuacién lineal, en donde al darle el valor de’X, obtendremos el valor futuro dela variable dependiente. . Para tener un valor del intervaloaproximado de le prdiesiénes fiuras es necesario conocer acerca del erorestindar que a eontinuacién se dard a conocer. « ERROR ESTANDAR DE ESTIMACION v. . Se usa con el propésito de medir la confabilidad de la ecuacién Fineal de estimacién. CCual mayor es el error de a estimacién més grandes serin las dispersiones de los puntos sirdedor de la linea de regresién. Cuando se hace un auste de los puntos a 1 recta y, estos ‘quedan alrededor deellas,o sea, con eror igual cero, podria dedirse que el estimador es perfecto. . Bl error estindar se define como la medida de confianza de la ecuacién de estimacion, «que indica la variabilidad de los nimeros 0 datos observados alrededor de la Tinea de regresién.o) : ANALISIS DE CORRELACION EL Andtisis de Correlacién es la herramienta estadistica de que nos valemos para escribir el grado de relacién que hay entre las dos variables, Este andlisis se usa junto ‘con el andlisis de regresién para medir la eficacia de la linea de regresién, ya que revela la variacién de la vatiable dependiente (Y), También puede usarse para medir el grado de asociacién que existe entre dos variables.) . (0) oon Adainsaiva Ma Hut McCarty 2) Etta Administer Rc evi‘Su interpretacin esta dado por el rango de valores determinado de 0 a 1; donde: osR ct El esquema se representa como sigue. 0.00, > Ninguna correlacién 025 —————» Conrelacién debit 050 ————» Conelacién Mogerada 075 1.00 Segiin algunos estadisticos existen 2 medidas para describir la cortelacién entre las ‘variables: El coeficiente de determinacién y el coeficiente de corral * COEFICIENTE DE DETERMINACION El Coeficiente de Determinacién es la manera primaria de metli el grado o fuerza de la rrelacin que exist entre dos variables X y ¥.w) Dicho cocficiente se obtiene de la relacién de dos tipos de variables. La variacién de los valores de Y on ol conjunto de datos alrededor de: 1) Lali 2) Su propia media. de regresién ajustada El eveficiente de determinacién se encuentra entre los extremos de 0 y 1.Pero sin olvidar ‘que un cercano a | indica una fuerte correlacién entre X y Y, mientras que un r* cercano 20 significa que esas dosvariables tienen poca correlacion.« * COEFICIENTE DE CORRELACION El coeficiente de correlacién es la segunda medida con que puede describirse la eficacia con que una variable es explicada por otra. Este coeficiente se denota con la letra ry el la ralz cundrada del coeficiente de determinacin Cuando la pendiente de la ecuacién de estimacién es positiva, x es la raiz. cundrada positiva, pero si b es negativa, r es la raiz cuadrada negativa, El signo de r indica la direceién de larelaci6n entre las dos variables X.y Y.«) (0) Estes pa Adie Ree LeePRUEBA DE HIPOTESIS E INTERVALO DE CONFIANZA El anilisis para este estimador se hace desde dos puntos de vista: 1) Prueba de hipétesis . 2) Intevalo de Confianza Fn donde en ambos casos es necesario wilizar una ¢ de student con (a-2) grados de libertad.) - + Inferencia con respecto fx: . A igual que el estimador B, A se calcula con una t de student ‘ton (0-2) grados de libertad. PRUEBA DE HIPOTESIS La prueba de hip6tesis comiinmente utilizada es: Ho: pi= 0 7. Hi:Bie Donde ta regla de decision es: Aceptar si tea) < taniea) Rechazar sf: tna) > tara) INTERVALO DE CONFIANZA Fi Intervalo de Confianza usado con mis frecuencia es el de 95%, el eual indica que solo tenemos un 5% de error en dicho intervalo, Entre mis grande sea el intervalo de onfianza, el error seré mis pequefo, lo que indica que debemos tener mas precisién en ‘nuestros resultados. gDONDE SE APLICA?... ALGUNOS EJEMPLOS $l andlisis de regresin lineal puede ser utilizado en varios tipos de problemas. Cuando se realiza la ecuacién lineal, se emplean situaciones en las que dos variables miden aproximadamente lo mismo. . (Pd sata pica align MontgronyEjemplo: La resistencia y dureza del metal, se puede estimar ficilmente su resistencia, Si al probar la resistencia se destituye metal, y no sucede lo mismo en la prueba de la dureza, luna persona interesada en estimar la resistencia, obviamente podrit interesarse en preférit basarse en prueba de dureza para estimar la resistencia. ‘Otra forma para aplicar las ecuaciones de regresin lineal, es.para dar a conocer los valores de una variable en téminos de la otra. Se puede intui upa relacién de causa y fect entre las dos vaviables . ‘ Fjemplo. : ‘Un cconomista puede intontar explicar los cambios cn la démande de automéviles ‘usados en términos del nivel de desempleo. Le ‘Un agricultor puede creer que la cantidad de ferilizante que uilizsinfluyo en lagSsecha Tograda. ., La velocidad de un automévil podria ser un factor para determinar Ia distancia de frenado ‘Un tercer uso de la regresién es para predecir valores futuros de la variable. Bjemplo: . ‘A mentido, se llevan a cabo pruebas de seleccion para posibles empleados o estudiantes, para predecir la potencia de tener éxito, tanto en la escuela como en un empleo. Supuestamente existe una relacién matematica entre la calificacién y el potencial del futur. Los ejemplos anteriormente mencionados se limitan 2 las ecuaciones lineales. Estas ‘ecuaciones lineales son importantes porque aproximan muchas relaciones del mundo real y ademés porque es relativamente fil trabajar con ellase interpretarlas.) REGRESION MULTIPLE, QUE ES LA REGRESION MULTIPLE? ‘Cuando se requiere utilizar mis de una variable independiente para caleular la (Ess Benen Fed Sinavariable dependiente y tener una mejor exactitud de la estimacién, es recomendable utilizar la técnica de regresién miltiple. En donde, Regresién Miltiple se define como el rocedimiento estadistico en virtud del cual algunas variables se usan para predecir a otra’ variables.) . En teoria el andlisis de regresién miltiple es solo una extensi6n del andlisis de regresion. lineal. Esto se refiere al desarrollo de una ecuacién que se utiliza para predecir valores de Y¥, respecto a los valores dados de las variables independientes, EL objetivo del andlisis de regresién mittiple consiste en dar a sconocer aquellas vearables que son de wilidad en la predicién det valor de una variable dependent Cuando existe una variable que no resulta de ayuda en la prediceiéndel ani variable puede ser eliminada del modelo de regresién miltiple ‘asf resultaria un modelo ‘mas fil de liza. « La principal ventaja del andiisis, es que permite wilizar una ‘parte mayor de la informacién de que disponemos para estimar la variable dependientes La regresién miitiple y el andisis de correlacién son un procest'de tres pasos: 1.-Definr a esuacion de regresin mitiple. IL- Examinar el error estindar de estimacién. IIL Aplicar el andlisis de correlacién miitiple para ver que tan eficaz es la ecuacién de regresién con los datos observados.) Al aplicar estos tres pasos. nos daremos cuenta si el modelo es adecuado y podemos empezar a predecir los valores de la variable dependiente (¥). Para dichas predicciones se utiliza la ecuacién de regresion.a ERROR ESTANDAR DE ESTIMACION ‘Cuando se determina la relaci6n de las. variables se necesita alguna medida de (pbs pun Asis, Rh Levin (2) Eso eel Pe, SieAispersién alrededor del plano de regresién milkiple, Al igual que en la regresion lineal, en andlisis de regresin miiiple La estimacién es mds precisa a medida que disminuye ef ‘grado de dispersién alrededor dela regresién Se puede usar el error estindar de estimacin y la disibucin ¢ para crear un interval 4e confianza aproximado alrededor de nuestro valor estimado de ¥.c) ‘COEFICIENTE DE CORRELACION Se use con el fin de conocer que tan eficaz es el modelo usadg para representa a sus datos, se puede calcular el coeiciente einerpetase sus resultados de manera similar al de andlisis de regresi lineal . ‘ Este se define como la fraccién de la variacién dela variable dspendiente que se explica por la regresién. Este coeficiente mide el grado en que la regresit mii se aust los datos) te PRUEBA DE HIPOTESIS F INTERVALO DE. CONFIANZA * + sobre la pen ante Al igual que en el andlisis anterior, este estimador se hace desde dos puntos de vista: 1.- Prueba de hipétesis 2.-Intervalo de Conflanza - En donde la diferencia al anilisis anterior es que la distribucién tes con n-k-1 grados de libertad.) INTERVALO DE CONFIANZA, Para realizar el intervalo de confianza es necesario conocer el margen de error con que se va a trabajar, como sq menciono en el anélisis de regresién lineal este margen es del 95%, que indica un limite de error del 5%. * PRUEBA DE HIPOTESIS. La prueba dehipétesis cominmente uilizada es: Ho:pi= 0 Hype 0 Donde laregla de decision es: Aceptar si: limite Superior = +t (Sb) Rechazar si: limite Inferior = -1 (Sb,) (0) ata Aden Rca Lin4 DONDE SE APLICA?... ALGUNOS EJEMPLOS Las téenicas de minimos cuadrados utilizadas en el andlisis de regresién miltiple al igual que en el andlisis de regresin lineal, son para determinar las ecuaciones de regresin ain desde el punto de vista prictico, ya que es del hecho de qué un problema sencillo requiere eéleulos bastante complicados jemplo. El estado general de la carroceria de un automévil serfa un factor importante, aunque pee ser dil cunt, Una forma de reaver ee problema pol ser obtener una scala en la que los auombvils oe les sign un mimeo de digits de 01 (ejemplo (165), dando a caliacién de 1 «adel aueestivira en melons condones 0 para el ue fuera solo cata, El uso de regresién miltiple en cualquier tipo de problema, ‘se,puede pronosticar una variable en términos de la otra con mucha precisin. Los resultados que arroje este analisis eben ser mejor cuando se tiene informacién adicional jemplo: * Podemos hacer pronésticos del desempetio de tres maestros contatados recientemente, si consideramos no solo su educacién, sino sus aiios de experiencia y su personalidad. Asi mismo podriamos hacer mejores pronésticos del éxito de un libro de texto si ‘consideramos no solo la calidad del trabajo sino Ia demanda potencial y la competencia En resumen, el anilisis de regresin multiple se utiliza en situaciones donde se tiene ‘que mas de un factor (variables de regresion )afectan en el resultado observado ( Variable de respuesta), Frecuentemente los modelos de regresién multiple se emplean como funciones de aproximacién, cuando se desconoce la verdadera relacién entre Y y Xi,X2,-.Xe Dentro de los rangos de valores de las variables independientes, el uso de modelos de regresién riltipleconstituye una buena aproximacién.0) (0) Bsus Adie Ena Wan). Stvenon 10Ejemplos de situaciones en las que se utiliza regresién miltiple «» ‘Variable Dependiente(Y) ‘Variables Tadependientes (X) (Cosecha Cantidad de Tertiizante, Muvia, ipo de suelo, [Salario anual [Alios eh la compara, escolaridad. [Dureza de acero [Tiempo recorrido, Cantidad de carbono, indice de enftiamiento. [Resistencia del concreto a Ta Compresion [Composicién, tiempo de curado, indice de enfriamiento, Distancia de Trenado de un automovil Velocidad, Coeficiente de rozqiniento de Ta [carretera y Ilantas, precio. Volumen de ventas (Gasto de publicidad, precio, [Demand de Ta came de pio Precio de la came de re, de ced, de pol. (Escape Adtran Feo Wiens Snowe