Regresión Lineal PYE
Regresión Lineal PYE
Regresión Lineal PYE
Integrantes:
ALFONSO MARES HILDA DEL CARMEN-004036
CASTELLANOS JIMÉNEZ JOSÉ DAVID-004043
LEÓN ORTÍZ ALEXIS DE JÉSUS-003054
MAGAÑA LÁZARO FERNANDA-004068
https://www.youtube.com/watch?v=IShnM9GvR60
Análisis de regresión
El concepto de análisis de regresión se refiere a encontrar la mejor
relación entre Y y X
Regresión
simple
Regresión
múltiple
Β0: Es la intersección
Β1: Es la pendiente.
Una relación lineal
El modelo de regresión lineal simple (RLS)
Hemos limitado el uso del término análisis de regresión a los casos en los que las relaciones
entre las variables no son deterministas, es decir, no son exactas.
En otras palabras, debe existir un componente aleatorio en la ecuación que relaciona las
variables. Este componente aleatorio toma en cuenta consideraciones que no son medibles
o, de hecho, que los científicos o los ingenieros no comprenden
La cantidad , que a menudo recibe el nombre de error aleatorio o alteración aleatoria, tiene varianza
constante. Es común que a esta parte se le denomine suposición de varianza homogénea.
Un aspecto importante del análisis de regresión es, en términos sencillos, estimar los parámetros β0 y
β1 , es decir, estimar los llamados coeficientes de regresión.
En el diagrama de dispersión de la figura ilustra la recta de regresión ajustada y una recta hipotética
de regresión verdadera.
MÉTODO DE MÍNIMOS CUADRADOS
𝑦𝑟
Es un método que permite ajustar una recta de regresión estimada a una muestra de
𝑦𝑒
datos u observaciones tomadas y denotadas por las variables x y y. Lo cual permite el
ෝ = 𝒃𝟎 + 𝒃𝟏 𝒙
cálculo de los valores pronosticados a partir de la recta ajustada: 𝒚
Residual: es el error de ajuste del modelo 𝑦ො = 𝑏0 + 𝑏1 𝑥. Fig. Gráfico con error en regresión lineal
Nota
2.Sustituir los siguientes datos en las fórmulas dadas. 8
6
6 6 6 6 4
2 2
𝑋𝑖 = 26 𝑌𝑖 = 58 𝑋𝑖 ∗ 𝑌𝑖 ∗= 297 𝑋𝑖 = 150
0
𝑖=1 𝑖=1 𝑖=1 𝑖=1 0 2 4 6 8 10
Horas de estudio
3.Sustituiyendo.
Fig. Gráfica dela recta de regresión lineal estimada
6 297 − 26 (58) 274
𝑏1 = 𝑏1 = 224= 1.2232
6 150 −(26)2
El coeficiente de regresión nos da información sobre el
58 −(1.2232)(26) 26.1968
𝑏0 = 𝑏0 = = 4.36 comportamiento de la variable Y frente a la variable X, de
6 6
manera que:
4.La recta de regresión estimada esta dada por: a) Si 𝑏𝑥/𝑦 = 0 , para cualquier valor de X la variable Y
es constante.
ෝ = 𝟒. 𝟑𝟔 + 𝟏. 𝟐𝟐𝟑𝟐𝒙
𝒚
b) Si 𝑏𝑥/𝑦 > 0 , si aumenta X, también aumenta Y.
c) Si 𝑏𝑥/𝑦 <0 , si aumenta X, el valor de Y disminuye.
CONCEPTO DE LOS ESTIMADORES
Un estimador es un estadístico que intenta predecir el valor de algún parámetro de cierta población, es
decir, se quiere generalizar el resultado obtenido en la muestra para toda la población.
PROPIEDADES DE LOS ESTIMADORES
Estimadores de mínimos cuadrados tanto para β0 como para β1 son
Insesgado: la media de su insesgados.
distribución muestral es igual al
parámetro de su población.
Los estimadores β0 + β1 dependen de la muestra seccionada, por lo tanto son variables aleatorias y presentan una distribución de probabilidad.
𝑆𝐶𝐸 𝑥−𝑥 2
𝑆𝑒 = √ 𝑆𝑥2 =
𝑛−2 𝑛−1
Ejemplo
SSxx= (x-x)2
SSyy=(x-y)2
SSxy=(x-x)(y-y)
𝛽1 = 0.7
𝑡0.975.3 = 3.18
Y=-0.1 + 0.7x
𝑆𝑆𝑥𝑥 = 10 3.7>3.18
Predicción
Recordemos que el modelo ajustado de la recta de regresión es y=. Β0+ β1. Ejemplo: Predecir el valor en la compresión para un nivel de presión igual a 6
E[Y/X=x]= β0+ β1x, puede interpretarse como:
Cardona Madariaga, D. F. (s. f.). Inferencia estadística Módulo de regresión lineal simple. Facultad de Administración. Recuperado 9 de julio de 2021, de
https://www.urosario.edu.co/Administracion/documentos/Documentos-de-Investigacion/BI_147-Web.pdf
M. Carmen Carollo Limeres. (2011–2012). Regresión lineal simple. Universidad de Santiago de Compostela.
http://eio.usc.es/eipc1/BASE/BASEMASTER/FORMULARIOS-PHP-DPTO/MATERIALES/Mat_50140116_Regr_%20simple_2011_12.pdf
RONALD E. WALPOLE, RAYMOND H. MYERS, SHARON L. MYERS, & KEYING YE. (2012). Probabilidad y estadística para ingenierías y ciencias