Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
MATERIA
Estadística Inferencial II
Hora: 09:00 a 10:00
Guerrero Colín Luis Arturo
“Regresión lineal simple y regresión lineal múltiple”
CARRERA: ING. INDUSTRIAL
MAESTRO:
M.E.S.C Felipe de Jesús Gándara González
De igual manera se define su ecuación y cada parte de ella además de los requisitos
que deben de cumplirse para poder aplicar este modelo de regresión y un ejemplo
muy sencillo sobre la relación del IQ de una persona con variables como el tamaño
del cerebro, sexo, etc.
1
REGRESIÓN LINEAL SIMPLE
- El concepto de regresión.
Yi=(a+bXi)+ϵiYi=(a+bXi)+ϵi
2
El modelo de pronóstico de regresión lineal permita hallar el valor esperado de una
variable aleatoria a cuando b toma un valor específico. La aplicación de este método
implica un supuesto de linealidad cuando la demanda presenta un comportamiento
creciente o decreciente, por tal razón, se hace indispensable que previo a la
selección de este método exista un análisis de regresión que determine la intensidad
de las relaciones entre las variables que componen el modelo.
Existen medidas de la intensidad de la relación que presentan las variables que son
fundamentales para determinar en qué momento es conveniente utilizar regresión
lineal.
- Objetivo
Cuando se trata de una variable independiente, la forma funciona que más se utiliza
en la práctica es la relación lineal. El análisis de regresión entonces determina la
intensidad entre las variables a través de coeficientes de correlación y
determinación.
3
- Supuestos del modelo de regresión lineal.
Para poder crear un modelo de regresión lineal es necesario que se cumpla con los
siguientes supuestos:
Líneas de tendencia
Una línea de tendencia representa una tendencia en una serie de datos obtenidos
a través de un largo periodo. Este tipo de líneas puede decirnos si un conjunto de
datos en particular (como, por ejemplo, el PIB, el precio del petróleo o el valor de
las acciones) han aumentado o decrementado en un determinado período. Se
puede dibujar una línea de tendencia a simple vista fácilmente a partir de un grupo
de puntos, pero su posición y pendiente se calcula de manera más preciosa
utilizando técnicas estadísticas como las regresiones lineales. Las líneas de
tendencia son generalmente líneas rectas, aunque algunas variaciones utilizan
polinomios de mayor grado dependiendo de la curvatura deseada en la lineal.
4
REGRESIÓN LINEAL MULTIPLE
Este modelo de regresión estudia la relación que existe entre una variable
dependiente y dos o más variables independientes. Para denotar el número de
variables independientes se suele usar la letra p.
𝒚 = 𝜷𝟎 + 𝜷𝟏 𝑿𝟏 + 𝜷𝟐 𝑿𝟐 +. . . +𝜷𝑷 𝑿𝑷 + 𝜺
De lo anterior tenemos que β0, β1, β2 … βp son parámetros y el termino del error
denotado por épsilon es una variable aleatoria. Examinando con atención este
modelo se ve que y es una función lineal de x1, x2…xp (la parte de 𝜷𝟎 + 𝜷𝟏 𝑿𝟏 +
𝜷𝟐 𝑿𝟐 +. . . +𝜷𝑷 𝑿𝑷 ) más el término del error épsilon.
Regresión: Se llama así porque expresa la relación entre una variable llamada
dependiente y dos o más variables llamadas independientes.
Lineal: La relación que liga las variables del modelo es de tipo lineal.
Existen una serie de condiciones que se deben cumplir para poder aplicar la
regresión lineal múltiple:
5
Las variables independientes deben ser ordinales o escalares.
Las variables independientes no pueden estar altamente correlacionadas
entre sí, las relaciones entre las causas y el resultado deben ser lineales,
todas las variables deben seguir la distribución normal y deben tener
varianzas iguales.
- Ejemplo:
- Aplicaciones:
6
ENSAYO
La regresión lineal simple nos indica si existe o no relación entre una variable
dependiente y una variable independiente, para esto se deben realizar una serie de
pasos, como lo son intervalos de confianza, una prueba ANOVA, pruebas de
hipótesis y el uso del coeficiente de correlación, este último, mientras más se
acerque a 1 nos dice que existe una mayor relación entre las variables.
Para la regresión lineal múltiple, tenemos un caos similar, pero la diferencia más
notoria radica en que no solo tenemos una variable independiente, sino más de una,
podemos tener 2, 3,4, etc. Este modelo nos sirve para realizar predicciones en base
a la relación que tenemos entre las variables que se encuentran en el modelo,
además nos sirve para entender la relación funcional entre la variable dependiente
y las variables independientes para así poder estudiar cuales pueden ser las causes
de la variación de Y.
7
BIBLIOGRAFÍA