Unidad V Regresion Lineal Equipo 5

TECNOLÓGICO NACIONAL DE MÉXICO
Instituto Tecnológico Superior De Coatzacoalcos
Instituto Tecnológico Superior de

Coatzacoalcos
División de Ingeniería INDUSTRIAL
PERIODO: SEPTIEMBRE 2020 – ENERO 2021
Nombre del Alumno: ALOR MARTINEZ LUZ AZUCENA – GOMEZ CARDENAS
ALAIN ARTURO – JIMENEZ FELIPE FLOR NAYELI – RAMOS LOPEZ KAREN
ARLETT – RODRIGUEZ GRACIA GUSTAVO ADOLFO – PAREDES VALADEZ
FRANCISCO – ITZEL CARMINA RAMIREZ LOZADA
ASIGNATURA: ESTADISTICA INFERENCIAL

INVESTIGACIÓN UNIDAD V: REGRESIÓN LINEAL SIMPLE.
No. Control:19080790 Semestre: 3º Grupo: 3EI
DOCENTE: JIMENEZ VENTURA BRICIO

Apellido Paterno Apellido Materno Nombre(s)
Fecha: 22 – Noviembre – 2020
1
INDICE
INTRODUCCIÓN
5.1 PRUEBA DE HIPÓTESIS EN LA REGRESIÓN LINEAL SIMPLE.
5.2 CALIDAD DEL AJUSTE EN REGRESIÓN LINEAL SIMPLE.
5.3 ESTIMACIÓN Y PREDICCIÓN POR INTERVALO EN

REGRESIÓN LINEAL SIMPLE.
CONCLUSIÓN
FUENTES BIBLIOGRAFICAS
2
INTRODUCCIÓN
La regresión lineal múltiple permite generar un modelo lineal en el que el valor de

la variable dependiente o respuesta (YY) se determina a partir de un conjunto de
variables independientes llamadas predictores (X1X1, X2X2, X3X3…). Es una
extensión de la regresión lineal simple, por lo que es fundamental comprender esta
última. Los modelos de regresión múltiple pueden emplearse para predecir el valor
de la variable dependiente o para evaluar la influencia que tienen los predictores
sobre ella (esto último se debe que analizar con cautela para no malinterpretar
causa-efecto).
Es importante tener en cuenta que la magnitud de cada coeficiente parcial de

regresión depende de las unidades en las que se mida la variable predictora a la
que corresponde, por lo que su magnitud no está asociada con la importancia de
cada predictor. Para poder determinar qué impacto tienen en el modelo cada una
de las variables, se emplean los coeficientes parciales estandarizados, que se
obtienen al estandarizar (sustraer la media y dividir entre la desviación estándar)
las variables predictoras previo ajuste del modelo.
3
5.1 PRUEBA DE HIPÓTESIS EN LA REGRESIÓN
LINEAL SIMPLE
En general se puede relacionar la variable respuesta y con k variables

independientes x1, x2, ..., xk, en ese caso el modelo está dado por y = β0 + β1x1 +
β2x2 + ... + βkxk + (8.1) donde los coeficientes βj, j = 0, 1, ..., k son constantes
desconocidas y son los parámetros del modelo. Cada βj representa el cambio
esperado en la respuesta y por el cambio unitario en xj cuando todas las demás
variables independientes xi (i = j) se mantienen constantes. es un componente de
error aleatorio. En el caso de los modelos de regresión múltiple es preferible usar la
notación matricial, pues dicha forma permite expresar el modelo en una forma más
compacta y que con un poco de conocimiento del algebra matricial los resultados
se simplifican considerablemente.
El análisis de regresión involucra el estudio la relación entre dos variables

CUANTITATIVAS. En general interesa: b Investigar si existe una asociación entre
las dos variables testeando la hipótesis de independencia estadística. b Estudiar la
fuerza de la asociación, a través de una medida de asociación denominada
coeficiente de correlación. b Estudiar la forma de la relación. Usando los datos
propondremos un modelo para la relación y a partir de ella será posible predecir el
valor de una variable a partir de la otra. Para ello proponemos un MODELO que
relaciona una variable dependiente (Y) con una variable independiente (X). La
decisión sobre qué análisis usar en una situación particular, depende de la
naturaleza del OUTCOME y del tipo de función que se propone para relacionar el
outcome y la variable independiente.
4
REGRESIÓN LINEAL SIMPLE
Consideremos el siguiente experimento controlado y aleatorizado para estudiar el

efecto de una nueva droga sobre la frecuencia cardiaca de ratas sanas. Cinco ratas
fueron asignadas aleatoriamente a una de cinco dosis y se registró la máxima
disminución observada en la frecuencia cardiaca en una hora. Los datos obtenidos
son
5
5.2 CALIDAD DEL AJUSTE EN REGRESIÓN LINEAL
SIMPLE.
La calidad del ajuste de una regresión lineal simple permite verificar la calidad con
la que el modelo planteado permite hacer estimaciones. Se necesita conocer qué
tanta variabilidad en Y fue explicada por el modelo, si se cumplen los supuestos de
normalidad en los residuos y si la variación no tiene ningún patrón fuera de lo usual.
La presentación de varios criterios para evaluar la calidad del modelo tiene el
propósito de destacar que los buenos modelos se construyen a medida que cumplen
más criterios de calidad de ajustes. El no cumplimiento de alguno de los criterios no
hará necesariamente inviable el modelo desde el punto de vista práctico.
El modelo de regresión lineal es el más utilizado a la hora de predecir los valores

de una variable cuantitativa a partir de los valores de otra variable explicativa
también cuantitativa. Una generalización de este modelo, el de regresión lineal
múltiple, permite considerar más de una variable explicativa cuantitativa. Por otra
parte, tal como se verá en un tema posterior, es también posible incluir variables
explicativas categóricas en un modelo de regresión lineal si se sigue una
determinada estrategia en la codificación de los datos conocida como codificación
ficticia.
En concreto, según el modelo de regresión lineal simple, las puntuaciones de los

sujetos en 2 variables -una de ellas considerada como variable predictora (X) y la
otra como variable de respuesta (Y)- vienen representadas (modeladas) por la
ecuación de una línea recta:
YXˆ=ββ+⋅1
Cuando hay más de una variable explicativa (modelo de regresión lineal múltiple),
se utiliza un subíndice para cada una de ellas, por ejemplo, para el caso de dos
variables explicativas: 0 1 1 2 Yˆ = β β + ⋅ X + β X2.
6
Los dos parámetros de la ecuación de regresión lineal simple, β0 y β1, son
conocidos como el origen (también, constante) y la pendiente del modelo,
respectivamente. En conjunto reciben el nombre de coeficientes de la ecuación de
regresión. Si la ecuación de la recta de regresión es obtenida a partir de una
muestra, y no de una población (esto es, los coeficientes de la ecuación de regresión
son estadísticos, y no parámetros), la ecuación se expresa como: 0 1 Y b ˆ = + ⋅ b
X1
Una vez que sean conocidos los valores de β0 y β1 del modelo de regresión lineal
simple, éste puede ser utilizado como modelo predictivo, esto es, para realizar
predicciones de los valores que tomará la variable de respuesta para determinados
valores de la variable explicativa. Basta para ello con sustituir en la ecuación de
regresión el valor concreto de X que se quiera (Xi). Al hacerlo, se obtendrá el valor
predicho para Y según la ecuación de regresión para aquellos casos que en la
variable X tomen el valor Xi. Este valor es conocido de forma genérica como
puntuación predicha, siendo representado simbólicamente como ' Yi o ˆYi
7
5.3 Estimación y predicción por intervalo en
regresión lineal simple.
En estadística, la probabilidad que asociamos con una estimación de intervalo se

conoce como el nivel de confianza. Esta probabilidad nos indica que tanta confianza
tenemos en que la estimación del intervalo incluya al parámetro de la población.
Una probabilidad más alta significa más confianza. El intervalo de confianza es el
alcance de la estimación que estamos haciendo, pero a menudo hacemos el
intervalo de confianza en términos de errores estándar, para esto debemos calcular
el error estándar de la media así:
 = Donde X  es el error estándar de la media para una población infinita,  es la

desviación estándar de la población
Con frecuencia expresaremos los intervalos de confianza de esta forma: X  .1 64

en la que:
X + .1 64 = límite superior del intervalo de confianza
X X− .1 64 = límite inferior del intervalo de confianza
Relación entre nivel de confianza e intervalo de confianza
Podría pensarse que deberíamos utilizar un alto nivel de confianza, como 99% en
todos los problemas sobre estimaciones, pero en algunos casos altos niveles de
confianza producen intervalos de confianza alto por lo tanto imprecisos. Debe
tenerse un intervalo de confianza que vaya de acuerdo al tema que se esté
estimando.
Intervalos de predicción aproximados.
Una forma de ver el error estándar de la estimación es concebirla como la

herramienta estadística que podemos usar para hacer un enunciado de probabilidad
8
sobre el intervalo alrededor del valor estimado de ^ Y, dentro del cual cae el valor
real de Y. Cuando la muestra es mayor de 30 datos, se calcula los intervalos de
predicción aproximados de la siguiente manera: si queremos estar seguros en
aproximadamente 65% de que el valor real de Y caerá dentro de + 1 error estándar
de ^ Y. Podemos calcular los límites superior e inferior de este intervalo de
predicción de la siguiente manera:
Y 1S ^ + = Límite superior del intervalo de predicción
Y 1S ^ − = Límite inferior del intervalo de predicción
Si, en lugar decimos que estamos seguros en aproximadamente 95.5% de que el

dato real estará dentro de + 2 errores estándar de la estimación de ^ Y. Podríamos
calcular los límites de este intervalo de la siguiente manera:
y por último decimos que estamos seguros en aproximadamente el 99.7% cuando

usamos + 3 errores estándar de la estimación de ^ Y Podríamos calcular los límites
de este intervalo de la siguiente manera:
9
CONCLUSIÓN
El análisis de regresión y correlación lineal constituyen métodos que se emplean

para conocer las relaciones y significación entre series de datos. Lo anterior, es de
suma importancia para la industria ya que es aquí en donde se presentan variables
de respuesta e independientes las cuales interactúan para originar las
características de un proceso en particular, por ende; analizar, predecir valores de
la variable dependiente y examinar el grado de fuerza con que se relacionan dichas
variables. La regresión lineal simple y la regresión múltiple, analiza la relación de
dos o más variables continuas, cuando analiza dos variables a esta se conoce como
variable bi - variantes que pueden corresponder a variables cualitativas. La finalidad
de una ecuación de regresión es la de estimar los valores de una variable con base
en los valores conocidos de la otra. Del mismo modo, una ecuación de regresión
explica los valores de una variable en términos de otra. Es decir, se puede intuir una
relación de causa y efecto entre dos o más variables. El análisis de regresión
únicamente indica qué relación matemática podría haber, de existir una.
Por otro lado, Al ajustar un modelo de regresión simple o múltiple a una nube de
observaciones es importante disponer de alguna medida que permita medir la
bondad del ajuste. Esto se consigue con los coeficientes de correlación. Si el modelo
que se ajusta es un modelo de regresión lineal, a R se le denomina coeficiente de
correlación y representa el porcentaje de variabilidad de la Y que explica el modelo
de regresión.
10
BIBLIOGRAFÍA
REGRESIÓN LINEAL SIMPLE. (2011). Prueba de hipótesis en la regresión
lineal simple.http://webcache.googleusercontent.com/search?q=cache:ZVchsx-
NEU4J:eio.usc.es/eipc1/BASE/BASEMASTER/FORMULARIOS-PHP-
DPTO/MATERIALES/Mat_50140116_Regr_%2520simple_2011_12.pdf+&cd=17&
hl=es-419&ct=clnk&gl=mx
REGRESIÓN LINEAL SIMPLE. (2011). Prueba de hipótesis en la regresión

lineal simple. http://webcache.googleusercontent.com/search?q=cache:ZVchsx-
NEU4J:eio.usc.es/eipc1/BASE/BASEMASTER/FORMULARIOS-PHP-
DPTO/MATERIALES/Mat_50140116_Regr_%2520simple_2011_12.pdf+&cd=17&
hl=es-419&ct=clnk&gl=mx
REGRESIÓN LINEAL SIMPLE. (2003). Estimación y predicción por intervalo

en regresión lineal simple.
http://cursos.aiu.edu/Estadistica%20Superior/PDF/Tema%201
jazminet22, Monografias.com. (2005). Regresión lineal simple -

Monografias.com. Estimación y predicción por intervalo en regresión lineal
simple. https://www.monografias.com/trabajos27/regresion-simple/regresion-
simple.shtml
11

Unidad V Regresion Lineal Equipo 5

Cargado por

Copyright:

Formatos disponibles

Unidad V Regresion Lineal Equipo 5

Cargado por

Información del documento

Título 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

Unidad V Regresion Lineal Equipo 5

Cargado por

Copyright:

Formatos disponibles

TECNOLÓGICO NACIONAL DE MÉXICO

Instituto Tecnológico Superior De Coatzacoalcos

Instituto Tecnológico Superior de

ASIGNATURA: ESTADISTICA INFERENCIAL

No. Control:19080790 Semestre: 3º Grupo: 3EI

DOCENTE: JIMENEZ VENTURA BRICIO

Fecha: 22 – Noviembre – 2020

5.1 PRUEBA DE HIPÓTESIS EN LA REGRESIÓN LINEAL SIMPLE.

5.2 CALIDAD DEL AJUSTE EN REGRESIÓN LINEAL SIMPLE.

5.3 ESTIMACIÓN Y PREDICCIÓN POR INTERVALO EN

La regresión lineal múltiple permite generar un modelo lineal en el que el valor de

Es importante tener en cuenta que la magnitud de cada coeficiente parcial de

En general se puede relacionar la variable respuesta y con k variables

El análisis de regresión involucra el estudio la relación entre dos variables

Consideremos el siguiente experimento controlado y aleatorizado para estudiar el

El modelo de regresión lineal es el más utilizado a la hora de predecir los valores

En concreto, según el modelo de regresión lineal simple, las puntuaciones de los

En estadística, la probabilidad que asociamos con una estimación de intervalo se

 = Donde X  es el error estándar de la media para una población infinita,  es la

Con frecuencia expresaremos los intervalos de confianza de esta forma: X  .1 64

X + .1 64 = límite superior del intervalo de confianza

X X− .1 64 = límite inferior del intervalo de confianza

Relación entre nivel de confianza e intervalo de confianza

Intervalos de predicción aproximados.

Una forma de ver el error estándar de la estimación es concebirla como la

Y 1S ^ + = Límite superior del intervalo de predicción

Y 1S ^ − = Límite inferior del intervalo de predicción

Si, en lugar decimos que estamos seguros en aproximadamente 95.5% de que el

Y 2S ^ + = Límite superior del intervalo de predicción

Y 2S ^ − = Límite inferior del intervalo de predicción

y por último decimos que estamos seguros en aproximadamente el 99.7% cuando

Y 3S ^ + = Límite superior del intervalo de predicción

Y 3S ^ − = Límite inferior del intervalo de predicción

El análisis de regresión y correlación lineal constituyen métodos que se emplean

REGRESIÓN LINEAL SIMPLE. (2011). Prueba de hipótesis en la regresión

REGRESIÓN LINEAL SIMPLE. (2003). Estimación y predicción por intervalo

jazminet22, Monografias.com. (2005). Regresión lineal simple -

También podría gustarte

Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.