Estadistica Ejemplos y Ejercicios

MIRCOLES

Regresion Lineal Simple

1. INTRODUCCIN
Si sabemos que existe una relacin entre una variable denominada dependiente y otras
denominadas independientes (como por ejemplo las existentes entre: la experiencia
profesional de los trabajadores y sus respectivos sueldos, las estaturas y pesos de personas,
la produccin agraria y la cantidad de fertilizantes utilizados, etc.), puede darse el problema
de que la dependiente asuma mltiples valores para una combinacin de valores de las
independientes.
La dependencia a la que hacemos referencia es relacional matemtica y no necesariamente
de causalidad. As, para un mismo nmero de unidades producidas, pueden existir niveles
de costo, que varan empresa a empresa.
Si se da ese tipo de relaciones, se suele recurrir a los estudios de regresin en los cuales se
obtiene una nueva relacin pero de un tipo especial denominado funcin, en la cual la
variable independiente se asocia con un indicador de tendencia central de la variable
dependiente. Cabe recordar que en trminos generales, una funcin es un tipo de relacin
en la cual para cada valor de la variable independiente le corresponde uno y slo un valor
de la variable dependiente.
2. ASPECTOS TERICOS
REGRESIN SIMPLE Y CORRELACIN
La Regresin y la correlacin son dos tcnicas estadsticas que se pueden utilizar para
solucionar problemas comunes en los negocios.
Muchos estudios se basan en la creencia de que es posible identificar y cuantificar alguna
Relacin Funcional entre dos o ms variables, donde una variable depende de la otra
variable.
Se puede decir que Y depende de X, en donde Y y X son dos variables cualquiera en
un modelo de Regresin Simple.
"Y es una funcin de X"
Y = f(X)
Como Y depende de X,
Y es la variable dependiente, y
X es la variable independiente.
En el Modelo de Regresin es muy importante identificar cul es la variable dependiente y
cul es la variable independiente.
En el Modelo de Regresin Simple se establece que Y es una funcin de slo una variable
independiente, razn por la cual se le denomina tambin Regresin Divariada porque slo
hay dos variables, una dependiente y otra independiente y se representa as:
Y = f (X)
"Y est regresando por X"
La variable dependiente es la variable que se desea explicar, predecir. Tambin se le llama
REGRESANDO VARIABLE DE RESPUESTA.
La variable Independiente X se le denomina VARIABLE EXPLICATIVA REGRESOR y se
le utiliza para EXPLICAR Y.
ANLISIS ESTADSTICO: REGRESIN LINEAL SIMPLE
En el estudio de la relacin funcional entre dos variables poblacionales, una variable X,
llamada independiente, explicativa o de prediccin y una variable Y, llamada dependiente o
variable respuesta, presenta la siguiente notacin:

Y=a+bX+e
Donde:
a es el valor de la ordenada donde la lnea de regresin se intercepta con el eje Y.
b es el coeficiente de regresin poblacional (pendiente de la lnea recta)
e es el error
SUPOSICIONES DE LA REGRESIN LINEAL
1.
Los valores de la variable independiente X son fijos, medidos sin error.
2.
3.

La variable Y es aleatoria
Para cada valor de X, existe una distribucin normal de valores de Y
(subpoblaciones Y)

4.

Las variancias de las subpoblaciones Y son todas iguales.

5.

Todas las medias de las subpoblaciones de Y estn sobre la recta.

6.

Los valores de Y estn normalmente distribuidos y son estadsticamente

independientes.

ESTIMACIN DE LA ECUACIN DE REGRESIN MUESTRAL

Consiste en determinar los valores de "a" y "b " a partir de la muestra, es decir, encontrar
los valores de a y b con los datos observados de la muestra. Elmtodo de estimacin es el
de Mnimos Cuadrados, mediante el cual se obtiene:

Luego, la ecuacin de regresin muestral estimada es

Que se interpreta como:
a es el estimador de a
Es el valor estimado de la variable Y cuando la variable X = 0
b es el estimador de b , es el coeficiente de regresin
Est expresado en las mismas unidades de Y por cada unidad de X. Indica el nmero de
unidades en que vara Y cuando se produce un cambio, en una unidad, en X (pendiente de
la recta de regresin).
Un valor negativo de b sera interpretado como la magnitud del decremento en Y por cada
unidad de aumento en X.
3. ANTECEDENTES DEL PROBLEMA
Los datos de la siguiente tabla representan las estaturas (X, cm) y los pesos (Y, kg) de una
muestra de 12 hombres adultos. Para cada estatura fijada previamente se observ el peso de
una persona seleccionada de entre el grupo con dicha estatura, resultando:
X

152

50

Con estos datos vamos a plantear una ecuacin de regresin simple que nos permita
pronosticar los pesos conociendo las tallas. Utilizaremos a = 0.05, y contrastaremos
nuestra hiptesis con la prueba F.
4. DESARROLLO

Representacin matemtica y grfica de los datos:

Representacin Matemtica
estatura
datos
1

10

11

12

Representacin Grfica

5. HIPTESIS
HO: No hay relacin entre la variable peso y la variable estatura.
HA: Hay relacin entre la variable peso y la variable estatura.
Tabla de anlisis de varianza
Fuente de
Variacin
Debido a
la regresin
error
total

Se obtiene un valor F = 73.08 > 4.96, con lo cual se rechaza la hiptesis nula y aceptamos
que la variable estatura est relacionada con la variable peso con un 95% de confianza.

De acuerdo al desarrollo matemtico hemos obtenido los siguientes clculos:

Lo que nos permite obtener los coeficientes a y b.

Luego,
b = 1223 / 1409.667 = 0.8676
a = 65.25 (0.8676) (162.167) = -75.446
6. INTERPRETACIN

La ecuacin de regresin estimada es:

Coeficiente de correlacin: R= 0.9379

Coeficiente de determinacin: R=0.8796
El valor de b = 0.8676 indica el incremento del peso en kilogramos, en promedio, por cada
centmetro de aumento en la estatura de los hombres adultos.
El valor de a, no tiene interpretacin prctica en el ejemplo, se interpretara como el valor
obtenido, en promedio, para el peso Y, cuando la estatura es 0.
Utilizando la ecuacin de regresin para estimar o predecir valores de la variable Y: Para
una talla de 180 se obtiene un peso de 80.7 kg.
Cunto se espera que pese (en promedio) una persona que mide 1.60 m?
Sustituyendo el valor de inters en la ecuacin:
Se obtiene:
7. CONCLUSIN
La ecuacin de Regresin Lineal estimada para las variables estatura y peso muestran, de
acuerdo a la prueba F, relacin.
Esta relacin se ha estimado en un R = 93.7, que indica una fuerte relacin positiva.
Adems si consideramos el coeficiente de determinacin R = 87.9 podemos indicar que el
87.9% de las variaciones que ocurren en el peso se explicaran por las variaciones en la
variable estatura.
Publicado por Estadistica Ejemplos y Ejercicios en 4:55
Enviar por correo electrnicoEscribe un blogCompartir con TwitterCompartir con
FacebookCompartir en Pinterest

No hay comentarios:
Publicar un comentario en la entrada

Entrada ms reciente Entrada antigua Pgina principal

Suscribirse a: Enviar comentarios (Atom)
ARCHIVO DEL BLOG

DATOS PERSONALES

Estadistica Ejemplos y Ejercicios

Ver todo mi perfil

Plantilla Picture Window. Con la tecnologa de Blogger.