Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 23 vistas

    Estadística Aplicada

    Cargado por

    Carlos Rincón
    Este documento describe los conceptos básicos de la regresión lineal simple, incluyendo la estimación de parámetros por mínimos cuadrados, la ecuación de ANOVA para analizar la calidad del modelo, pruebas de hipótesis sobre la significancia del modelo, y el coeficiente de determinación como medida de ajuste. El objetivo principal es modelar la relación entre una variable dependiente y una independiente continua para predecir el comportamiento de la variable dependiente.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Estadística Aplicada

    Cargado por

    Carlos Rincón
    23 vistas4 páginas
    Este documento describe los conceptos básicos de la regresión lineal simple, incluyendo la estimación de parámetros por mínimos cuadrados, la ecuación de ANOVA para analizar la calidad del modelo, pruebas de hipótesis sobre la significancia del modelo, y el coeficiente de determinación como medida de ajuste. El objetivo principal es modelar la relación entre una variable dependiente y una independiente continua para predecir el comportamiento de la variable dependiente.

    Descripción original:

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento describe los conceptos básicos de la regresión lineal simple, incluyendo la estimación de parámetros por mínimos cuadrados, la ecuación de ANOVA para analizar la calidad del modelo, pruebas de hipótesis sobre la significancia del modelo, y el coeficiente de determinación como medida de ajuste. El objetivo principal es modelar la relación entre una variable dependiente y una independiente continua para predecir el comportamiento de la variable dependiente.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    23 vistas4 páginas

    Estadística Aplicada

    Cargado por

    Carlos Rincón
    Este documento describe los conceptos básicos de la regresión lineal simple, incluyendo la estimación de parámetros por mínimos cuadrados, la ecuación de ANOVA para analizar la calidad del modelo, pruebas de hipótesis sobre la significancia del modelo, y el coeficiente de determinación como medida de ajuste. El objetivo principal es modelar la relación entre una variable dependiente y una independiente continua para predecir el comportamiento de la variable dependiente.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 4

    Estadística Aplicada a Ingeniería Civil

    5 Regresión Lineal
    El alumno evaluará la potencia de asociación lineal entre dos o más variables físicas y construirá un modelo
    lineal que pronostique el comportamiento de una variable en función de otra u otras variables independientes.

    El análisis de regresión es una técnica estadística para modelar la relación entre dos o más variables.
    Con frecuencia un estadístico utiliza un modelo como representación de un ideal que, en esencia, define cómo
    percibimos que el sistema en cuestión generó los datos. La ecuación lineal es una aproximación que representa
    de manera simplificada algo desconocido y mucho más complicado.

    En estadística se realiza la estimación de parámetros, mientras que los valores de variables aleatorias se
    predicen.

    5.1 Correlación lineal simple


    Si en un diagrama de dispersión se observa que los puntos se acercan mucho a una línea recta, podemos suponer
    que existe linealidad entre dos variables. Esto lo corroboramos haciendo uso de la covarianza y el coeficiente de
    correlación.

    Imagine que deseamos determinar la relación entre una sola variable independiente X y una variable dependiente
    Y, la variable independiente X se supone como una variable continua. Se supone que la “verdadera” relación entre
    X y Y es una línea recta y para cada X existe una variable aleatoria Y de respuesta. El valor esperado de Y para
    cada valor de X es:

    y  0  1 x   y  mx  b
    Donde:
     0 Intersección con el eje “Y”
    1 Pendiente de la recta
     0 y 1 son parámetros desconocidos que es necesario estimar con base en las observaciones de X y Y
    x Variable independiente o regresor
    Y Variable dependiente o respuesta
     error aleatorio

    Suponemos que cada observación Y, puede describirse mediante el modelo de regresión lineal simple (verdadero)

    Yˆ

    5 Regresión Lineal 82
    Estadística Aplicada a Ingeniería Civil
    5.1.1 Estimación de parámetros por mínimos cuadrados
    Suponga que tenemos n pares de observaciones de algún experimento o proceso que nos interesa, por ejemplo
     y1, x1  ,  y2 , x2  ,...  y3 , x3  , a partir de estos datos muestrales es posible estimar los parámetros  0 y 1 por
    el método de mínimos cuadrados. Esto es, estimar  0 y 1 de manera que la suma de cuadrados de las
    diferencias entre las observaciones y la línea de regresión sean mínimas, es decir, minimizando el error.
    yi  0  1 xi   i para i  1, 2,...n
    Y la suma de cuadrados de las desviaciones de las observaciones respecto a la línea de regresión verdadera, es
    decir, la suma de cuadrados de los errores
    n n
    SCE     yi  0  1xi 
    2 2
    i
    i 1 i 1
    Es evidente que, si un conjunto de n errores o residuales es grande, entonces el ajuste del modelo no es bueno.
    Los residuales pequeños son indicadores de un ajuste adecuado.

    Los estimadores de mínimos cuadrados de 0 y 1 se denotan como ̂0 y ̂1 y deben satisfacer
      SCE 
     
    n
      2 yi  ˆ0  ˆ1 xi
     0 i 1

      SCE 
     
    n
      2 yi  ˆ0  ˆ1 xi xi
     1 i 1

    Al igualar a cero las derivadas parciales y reacomodar términos, obtenemos las ecuaciones normales por
    mínimos cuadrados del modelo de regresión lineal simple:
    n n
    nˆ0  ˆ1  xi   yi
    i 1 i 1
    n n n
    ˆ0  xi  ˆ1  xi 2   xi yi
    i 1 i 1 i 1

    La solución de las ecuaciones normales que nos da los estimadores por mínimos cuadrados es:

    ˆ0  y  ˆ1x
    n

     x  x  y  y 
    i i
    ˆ1  i 1
    n 2

      xi  x 
    i 1

    El modelo de regresión lineal simple estimado

    yˆ  ˆ0  ˆ1 x

    5 Regresión Lineal 83
    Estadística Aplicada a Ingeniería Civil

    5.1.2 Ecuación de ANOVA

    Análisis de la calidad del modelo de regresión lineal, descompone la variabilidad de la variable independiente
    n n n

      yi  y     yˆi  y     yi  yˆ 
    2 2 2

    i 1 i 1 i 1

     y  y
    2
    i SCT Suma de Cuadrados Totales Variabilidad de la variable independiente
    i 1

      yˆ  y 
    2
    i SCR Suma de los Cuadrados de la Regresión Lo que el modelo explica de la variabilidad de Y
    i 1

      y  yˆ  Lo que el modelo no esta en capacidad de


    2
    i SCE Suma de los cuadrados de los errores
    explicar a través de X
    i 1

    5.1.3 Prueba de hipótesis en el modelo de Regresión Lineal

    H 0 : 1  0 El modelo no es significativo

    H1 : 1  0 El modelo es significativo

    Estadístico de prueba
    SCR
    F(1,n 1)  Tiene una distribución
    SCE
    n2
    Si el valor calculado de la estadística cae en la región critica, se rechaza la hipótesis nula y se concluye que el
    modelo si es relevante para explicar la variable Y con un nivel de significancia de α%

    5.1.4 Coeficiente de determinación


    Es una medida de la calidad del ajuste, es el porcentaje de variabilidad de la variable Y explicada por el modelo
    de regresion.

    5 Regresión Lineal 84
    Estadística Aplicada a Ingeniería Civil
    n

     y  yˆ i 
    2

    R  1
    2 i 1
    i
    R2 1 Ajuste perfecto
    n

      yi  yi 
    2
    R2  0 Ajuste deficiente
    i 1

    5.1.5 Intervalo de confianza

    IC1  ˆ1  tn  2,1 / 2 * desv( ˆ1 )

    5 Regresión Lineal 85

    También podría gustarte