Modelo de Regresión Lineal
|
|
- José Antonio Aranda Jiménez
- hace 5 años
- Vistas:
Transcripción
1 Modelo de Regresión Lineal Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012
2 Introducción Un ingeniero, empleado por un embotellador de gaseosas, analiza las operaciones de entrega y servicios de producto en máquinas expendedoras. Cree que el tiempo utilizado por un repartidor, en cargar y dar servicio a una máquina, se relaciona con la cantidad de cajas de producto entregadas. El ingeniero visita 25 tiendas, escogidas al azar, con máquinas expendedoras, y anota el tiempo de entrega en la tienda (en minutos) y el volumen del producto entregado (en cajas), para cada una. Cantidad Tiempo 16,68 11,5 12,03 14,88 13,75 18, ,83 79,24 Cantidad Tiempo 21,5 40, ,5 19, ,35 19 Cantidad Tiempo 9,5 35,1 17,9 52,32 18,75 19,83 10,75
3 Introducción Volumen entregado (Cajas) Tiempo de entrega (Minutos) Figura: Relación entre el tiempo y el volumen entregado
4 Introducción La Herencia de Altura Uno de las primeras aplicaciones de un modelo de regresión fue para estudiar la herencia de los rasgos de generación en generación. Durante el período , E.S. Pearson recolectó información de la estatura de madres, menores de 65 años, en el Reino Unido y de una de las hijas adultas mayores de 18 años. Pearson y Lee (1903). El interés está en la herencia de la madre a la hija... Las madres altas tienden a tener hijas más altas? Las madres bajas tienden a tener hijas más bajas?
5 Introducción Estatura de la hija Estatura de la madre Figura: Relación entre la estatura de la madre y de la hija
6 Diagrama de dispersión Muestra la relación entre dos variables cuantitativas medidas en un mismo individuo. Los valores de una variable aparecen en el eje (X) y los de la otra en el eje (Y). Cada individuo aparece como un punto en el diagrama.
7 Diagrama de dispersión Algunos aspectos que se observan en un diagrama de dispersión son: Forma: Relaciones lineales o no lineales - No relación. Dirección: Si la relación entre las dos variables tiene una dirección clara, puede ser una asociación positiva o una asociación negativa. Fuerza: La fuerza de la relación entre variables viene determinada por la proximidad de los puntos del diagrama a alguna forma (recta).
8 Medida de asociación lineal entre dos variables n COV (X, Y) = 1 n (X i X)(Y i Y ) i=1 Covarianza II I yy IV III X x
9 Medida de asociación lineal entre dos variables n COV (X, Y) = 1 n (X i X)(Y i Y ) i=1 Covarianza II yy IV I III Si las observaciones se encuentran en I y IV COV (X, Y) > 0 X x
10 Medida de asociación lineal entre dos variables n COV (X, Y) = 1 n (X i X)(Y i Y ) i=1 Covarianza II yy IV I III X Si las observaciones se encuentran en I y IV COV (X, Y) > 0 Si las observaciones se encuentran en II y III COV (X, Y) < 0 x
11 Medida de asociación lineal entre dos variables n COV (X, Y) = 1 n (X i X)(Y i Y ) i=1 Covarianza II yy IV I III X Si las observaciones se encuentran en I y IV COV (X, Y) > 0 Si las observaciones se encuentran en II y III COV (X, Y) < 0 x Propiedades COV (a + bx, c + dy = bdcov (X, Y)) COV (X, X) = S 2 X
12 Coeficiente de correlación El inconveniente de la covarianza es que está influenciada por las unidades de medida. Una solución a esto es el uso del coeficiente de correlación, el cual puede ser calculado como: r xy = cov(x, y) σ x σ y Este coeficiente oscila entre -1 y 1 ( 1 r xy 1), donde: r xy = 1 indica relación lineal positiva perfecta. r xy = 0 indica que entre las variables no hay relación lineal. r xy = 1 indica relación lineal negativa perfecta.
13 Modelo de Regresión Expresión matemática que describe en algún sentido la relación entre las variables x i y y i, donde se considera que x i explica los valores de y i. En la mayoría de los casos se está interesado en describir como la media de Y cuando cambian los valores de X (E(Y X = x)). Y i = f(x i ) + ɛ i Los objetivos de ajustar un modelo son: Evaluar el efecto, o relación, entre dos variables. Predecir observaciones futuras.
14 Modelo Lineal Simple El objetivo de un análisis de regresión lineal es modelar la asociación de la variable Y con la variable X a través de una función lineal. Y i = β 0 + β 1 x i + ɛ i Donde β 0 representa el valor medio que toma Y cuando x = 0 (No siempre tiene interpretación lógica). Donde β 1 representa el cambio de la media de la variable Y producido por cambio unitario en x. ɛ Representa un error aleatorio independiente ɛ Normal(0, σ 2 < ). E(Y X = x) = β 0 + β 1 x Var(Y X = x) = σ 2
15 Estimación del Modelo y E(y x) = β 0 + β 1 x x
16 Estimación del Modelo E(y x) = β 0 + β 1 x Estimación: y Ê(y x i ) = ŷ i = ˆβ 0 + ˆβ 1 x i e i = y i ŷ i x
17 Estimación del Modelo E(y x) = β 0 + β 1 x Estimación: y Ê(y x i ) = ŷ i = ˆβ 0 + ˆβ 1 x i e i = y i ŷ i x Objetivo: Estimar los parámetros tal que la suma de cuadrados de las diferencias entre las observaciones y la línea recta estimada (residuales) sea mínima (Min SCE)
18 Estimación del Modelo La estimación por medio del método de Mínimos Cuadrados Ordinarios de β 0 y β 1 consiste en encontrar los valores de ˆβ 0 y ˆβ 1 que minimicen la expresión: SSE = n (y i ŷ i ) 2 = i=1 n (y i ( ˆβ 0 + ˆβ 1 x i )) 2 i=1
19 Estimación del Modelo La estimación por medio del método de Mínimos Cuadrados Ordinarios de β 0 y β 1 consiste en encontrar los valores de ˆβ 0 y ˆβ 1 que minimicen la expresión: SSE = n (y i ŷ i ) 2 = i=1 n (y i ( ˆβ 0 + ˆβ 1 x i )) 2 i=1 Derivando SCE con respecto a ˆβ 0 y ˆβ 1 e igualando a cero se obtienen las ecuaciones normales. yi = n ˆβ 0 + ˆβ 1 xi xi y i = ˆβ 0 xi + ˆβ 1 x 2 i
20 Estimación del Modelo Resolviendo las ecuaciones normales simultáneamente para ˆβ 0 y ˆβ 1 se obtienen las estimaciones de β 0 y a β 1. ˆβ 0 = ȳ ˆβ 1 x ˆβ1 = (xi x)(yi ȳ) (xi x) 2
21 Estimación del Modelo Resolviendo las ecuaciones normales simultáneamente para ˆβ 0 y ˆβ 1 se obtienen las estimaciones de β 0 y a β 1. ˆβ 0 = ȳ ˆβ 1 x ˆβ1 = (xi x)(yi ȳ) (xi x) 2 Puesto que σ 2 es el promedio al cuadrado de los errores (ε 2 i ), se puede obtener su estimación a partir de la suma de cuadrados de los residuales. SSE = n i=1 (y i ŷ i ) 2 ˆσ 2 = SSE n p p indica el número de coeficientes del modelo. Esta cantidad también es llamada Cuadrado medio del error(mse)
22 Estimación del Modelo Modelo estimado y = 3, ,176x ˆσ = 4,181 Tiempo de entrega (Minutos) Volumen entregado (Cajas) ˆβ 1 nos indica que por cada caja adicional que se entrega, el tiempo del servicio aumenta en minutos
23 Propiedades de los estimadores Valor esperado: E( ˆβ 0 ) = β 0 E( ˆβ 1 ) = β 1 Varianza: Var( ˆβ 0 ) = σ 2 ( 1 n + x 2 n i=1 (x i x) 2 ) Var( ˆβ 1 ) = σ 2 n i=1 (x i x) 2
24 Propiedades de los estimadores Valor esperado: E( ˆβ 0 ) = β 0 E( ˆβ 1 ) = β 1 Varianza: Var( ˆβ 0 ) = σ 2 ( 1 n + x 2 n i=1 (x i x) 2 ) Para el modelo estimado: Var( ˆβ 1 ) = σ 2 n i=1 (x i x) 2 var( ˆβ 0 ) = 0,0154 var( ˆβ 1 ) = 1,88
25 Propiedades de los estimadores (MCO) Otras propiedades: n e i = 0 i=1 n y i = i=1 n i=1 ŷ i n x i e i = 0 i=1 n ŷ i e i = 0 i=1
26 x Análisis de Varianza Qué tanto de la variabilidad de los datos es explicada por el modelo de regresión? y i ȳ = (y i ŷ i ) + (ŷ i ȳ) Y Y^ Y Y Y^ y Y^ Y
27 Análisis de Varianza Este análisis se basa en la partición de la variabilidad total de la variable Y. Es útil para determinar el ajuste del modelo, comparación de dos o mas modelos (para un mismo conjunto de datos). Es de gran utilidad en el modelo de regresión múltiple. n n n (y i ȳ) 2 = (ŷ i ȳ) 2 + (y i ŷ i ) 2 i=1 i=1 i=1 SST = SSR + SSE
28 Análisis de Varianza Este análisis se basa en la partición de la variabilidad total de la variable Y. Es útil para determinar el ajuste del modelo, comparación de dos o mas modelos (para un mismo conjunto de datos). Es de gran utilidad en el modelo de regresión múltiple. n (y i ȳ) 2 = i=1 n (ŷ i ȳ) 2 + i=1 SST = SSR + SSE n (y i ŷ i ) 2 De la variación de y sobre ȳ, parte puede atribuirse al modelo de regresion (SSR) y otra parte al hecho de que la observación real no cae en la recta de regresión (SSE). i=1
29 Análisis de Varianza Fuente de variación Grados de libertad Suma de Cuadr.(SS) Cuadr. Medio (MS) F 0 Regresión p-1 Error n-p Total n-1 n i=1 (ŷ i ȳ) 2 n i=1 (y i ŷ i ) 2 n i=1 (y i ȳ) 2 SSR SSE p 1 n p MSR MSE Hipótesis a probar: H 0 : β 1 = 0 H 1 : β 1 0 Rechazo H 0 si: F 0 > F 1 α,p 1,n p
30 Análisis de Varianza F. de var. g.l Suma de Cuadr.(SS) Cuadr. Medio (MS) F 0 Valor p Regresión e-15 Error Total Hipótesis a probar: H 0 : β 1 = 0 H 1 : β 1 0 Rechazo H 0 si: F 0 > F 1 α,p 1,n p
31 Coeficiente de Determinación Consiste en dividir la variabilidad total en función de si es o no explicada por el modelo: R 2 = SSR SST = 1 SSE SST El R 2 es una medida de la proporción de la variación total sobre Ȳ que es explicada por la regresión.
32 Intervalos de Confianza Se supone que cada observación viene de una distribución normal centrada verticalmente en cada nivel x i del modelo asumido. Además se asume que σ 2 se asume igual para cada distribución.
33 Intervalos de Confianza Se supone que cada observación viene de una distribución normal centrada verticalmente en cada nivel x i del modelo asumido. Además se asume que σ 2 se asume igual para cada distribución. Y N(µ = β 0 + β 1 x i, σ 2 ) ˆβ j N(β j, var(β j ))
34 Intervalos de Confianza Una estimación por intervalos de confianza de los parámetros proporciona mayor información que una estimación puntual debido a que esta refleja la precisión de las estimaciones. β 0 ± t n p,α/2 ˆσ 2 ( 1 n + x 2 n i=1 (x i x) 2 ) ˆσ β 1 ± t 2 n p,α/2 n i=1 (x i x) 2
35 Intervalos de Confianza Una estimación por intervalos de confianza de los parámetros proporciona mayor información que una estimación puntual debido a que esta refleja la precisión de las estimaciones. β 0 ± t n p,α/2 ˆσ 2 ( 1 n + x 2 n i=1 (x i x) 2 ) ˆσ β 1 ± t 2 n p,α/2 n i=1 (x i x) 2 Para el ejemplo del tiempo de entrega (Intervalos del 95 % para los coeficientes): Para β 0 (0.484, 6.157) Para β 1 (1.92, 2.433)
36 Intervalos de Confianza De igual forma, es posible estimar intervalos para la respuesta media de Y (Intervalo de confianza) para diferentes valores de X (E(Y X = x 0 )) usando ŷ (x=x0 ) y su error estándar Ŷ (x=x0 ) ± t (n p,α/2) ( 1 ˆσ 2 n + (x 0 x) 2 ) n i=1 (x i x) 2 También es un intervalo para predecir un posible valor futuro de Y (Intervalo de predicción) que no fue usado para estimar los parámetros, con un valor observado de X. Ŷ (x=x0 ) ± t (n p,α/2) ( ˆσ n + (x 0 x) 2 ) n i=1 (x i x) 2
37 Intervalos de Confianza Figura: Intervalo de Confianza y predicción para el tiempo de entrega Tiempo de entrega(minutos) IC 95% Media IC 95% Nueva Obs Cantidad(Cajas)
38 Intervalos de Confianza Figura: Intervalo de Confianza y predicción para la estatura de la hija Estatura Hija Estatura Madre
39 Prueba de hipótesis Dado que: ˆβj N(β j, var( ˆβ j )) entonces se puede plantear la siguiente prueba de hipótesis: H 0 : β 1 = C H 0 : β 1 C Usando el siguiente estadístico de prueba: t = ˆβ 1 C var( ˆ ˆβ j ) Rechazo H 0 si t < t n p,1 α/2. De igual forma se pueden plantear hipótesis de H 1 : β 1 < c o β 1 > c.
40 Algunas consideraciones Algunos abusos comunes en regresión son (Montgomery and Vinning, 2002): Un modelo sirve de ecuaciones de interpolación dentro del intervalo de x que se usan para ajustarlo. Se debe tener cuidado al extrapolar fuera de ese intervalo. la disposición de los puntos de x afectan el ajuste por MCO. La pendiente estimada( ˆβ 1 ) se ve muy influenciada por valores extremos de x. Los valores atípicos o valores erróneos pueden afectar el ajuste por MCO. Si un modelo estimado indica fuerte relación entre dos variables, no implica, necesariamente, que estás tengan una relación de causa-efecto.
41 Observaciones Atípicas o influyentes Un punto atípico se refiere a una observación que tiene un valor inusual de y, se identifican con frecuencia por los residuales grandes. Un punto influyente se refiere a un punto que tiene un valor de x inusual, lo que provoca un impacto notable sobre los coeficientes del modelo. Figura: Diferencia entre punto influyente y punto atípico
42 Bibliografía Draper, N. and Smith, H. (1998). Applied regression analysis. John Wiley & Sons, New York, 3 edition. Montgomery, D.C. Peck, E. and Vinning, G. (2002). Introducción al análisis de regresión lineal. CECSA, Mexico, 3 edition. Rawlings, J. O., Pantula, S., and Dickey, D. (1998). Applied Regression Analyisis: A Research Tool. Springer-Verlag, New York, 2 edition.
Modelo de Regresión Lineal
Modelo de Regresión Lineal Supuestos del modelo Álvaro José Flórez 1 Escuela de Estadística Facultad de Ingenierías Febrero - Junio 2012 Introducción Y = β 0 + β 1 X + ε Supuestos: Correcta especificación
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesTEMA 10 Correlación y regresión. El modelo de regresión simple
TEMA 10 Correlación y regresión. El modelo de regresión simple Karl Pearson (1857-1936) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones no lineales
Más detallesEstadística aplicada al medio ambiente
Estadística aplicada al medio ambiente III. Regresión lineal 3 o de CC. AA. Departamento de Matemáticas Universidad Autónoma de Madrid 2011/12 Planteamiento Modelo Estimación de parámetros Intervalos de
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesUnidad Temática 3: Estadística Analítica. Unidad 9 Regresión Lineal Simple Tema 15
Unidad Temática 3: Estadística Analítica Unidad 9 Regresión Lineal Simple Tema 15 Estadística Analítica CORRELACIÓN LINEAL SIMPLE Indica la fuerza y la dirección de una relación lineal proporcional entre
Más detallesREGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE
UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez https://torrezcesar.wordpress.com
ASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez torrezcat@gmail.com https://torrezcesar.wordpress.com 0416-2299743 Programa de Estadística II UNIDAD IV: REGRESIÓN Y CORRELACIÓN MÚLTIPLE LINEAL TANTO
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detalles7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL. Jorge Eduardo Ortiz Triviño
7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ Introducción Los datos frecuentemente son dados para valores
Más detallesTaller I Econometría I
Taller I Econometría I 1. Considere el modelo Y i β 1 + ɛ i, i 1,..., n donde ɛ i i.i.d. N (0, σ 2 ). a) Halle el estimador de β 1 por el método de mínimos cuadrados ordinarios. Para realizar el procedimiento
Más detallesRegresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
Más detallesQué es? Primer paso Representación en un sistema de coordenadas. numéricos Cada punto muestra el valor de cada pareja de datos (X e Y)
Gráfico de dispersión Qué es? Primer paso Representación en un sistema de coordenadas cartesianas de los datos numéricos Cada punto muestra el valor de cada pareja de datos (X e Y) Gráfico de dispersión
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesModelo de Regresión Lineal Simple
1. El Modelo Modelo de Regresión Lineal Simple El modelo de regresión lineal simple es un caso especial del múltple, donde se tiene una sola variable explicativa. y = β 0 + β 1 x + u (1.1) Donde u representa
Más detallesRegresión Simple. Leticia Gracia Medrano. 2 de agosto del 2012
Regresión Simple Leticia Gracia Medrano. lety@sigma.iimas.unam.mx 2 de agosto del 2012 La ecuación de la recta Ecuación General de la recta Ax + By + C = 0 Cuando se conoce la ordenada al origen y su pendiente
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesModelación estadística: La regresión lineal simple
Modelación estadística: La regresión lineal simple Gabriel Cavada Ch. 1 1 División de Bioestadística, Escuela de Salud Pública, Universidad de Chile. Statistical modeling: Simple linear regression Cuando
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detallesRegresión Lineal Múltiple. Dr. Víctor Aguirre Torres, ITAM. Guión 12.
Regresión Lineal Múltiple 1 Propósito Cuantificar el cambio en el valor esperado de una variable (y) en función del cambio simultáneo otras variables (x 1, x 2,..., x p ). y=variable dependiente (cuantitativa)
Más detallesEstructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detalles1. Conceptos de Regresión y Correlación. 2. Variables aleatorias bidimensionales. 3. Ajuste de una recta a una nube de puntos
TEMA 10 (curso anterior): REGRESIÓN Y CORRELACIÓN 1 Conceptos de Regresión y Correlación 2 Variables aleatorias bidimensionales 3 Ajuste de una recta a una nube de puntos 4 El modelo de la correlación
Más detallesANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL
ANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL Msc. Lácides Baleta Octubre 16 Página 1 de 11 REGRESIÓN Y CORRELACIÓN LINEAL Son dos herramientas para investigar la dependencia de una variable dependiente Y
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN
CURSO DE BIOESTADÍSTICA BÁSICA Y SPSS ASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN Amaia Bilbao González Unidad de Investigación Hospital Universitario Basurto (OSI Bilbao-Basurto)
Más detallesRegresión Lineal Simple y Múltiple Regresión Logística
Regresión Lineal Simple y Múltiple Regresión Logística Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura MUI en Ciencias de la Salud MUI en Ciencias de la Salud (UEx) Regresión
Más detallesLinear Regression and the Least-squares problem
Linear Regression and the Least-squares problem Aniel Nieves-González Abril 2013 Aniel Nieves-González () Linear Regression and the LSP Abril 2013 1 / 25 Variables cuantitativas y relaciones entre estas
Más detallesRegresión Lineal Simple. Dr. Víctor Aguirre Torres, ITAM. Guión 11.
Regresión Lineal Simple 1 Propósito Cuantificar el cambio en el valor esperado de una variable (y) en función de otra variable (x). y=var. Dependiente (cuantitativa) x=var. Explicativa (cuantitativa) 2
Más detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Aniel Nieves-González () LSP 1 / 16 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por departamento. La v.a. dependiente
Más detallesLinear Regression and the Least-squares problem
Linear Regression and the Least-squares problem Aniel Nieves-González Aniel Nieves-González () Linear Regression and the LSP 1 / 25 Variables cuantitativas y relaciones entre estas (Repaso) Recuerde que
Más detallesDefinición de Correlación
Definición de Correlación En ocasiones nos puede interesar estudiar si existe o no algún tipo de relación entre dos variables aleatorias: Estudiar cómo influye la estatura del padre sobre la estatura del
Más detallesTema 2: Análisis de datos bivariantes
Tema 2: Análisis de datos bivariantes Los contenidos a desarrollar en este tema son los siguientes: 1. Tablas de doble entrada. 2. Diagramas de dispersión. 3. Covarianza y Correlación. 4. Regresión lineal.
Más detallesUnidad Temática 3: Estadística Analítica. Unidad 9 Correlación y Regresión Lineal Simple
Unidad Temática 3: Estadística Analítica Unidad 9 Correlación y Regresión Lineal Simple Análisis de Correlación Creado por Karl Pearson en 1920. Tiene el propósito de medir el grado de asociación observado
Más detallesEstadística Inferencial
Estadística Inferencial 1 Sesión No. 9 Nombre: Regresión y correlación lineal Contextualización En la administración, las decisiones suelen basarse en la relación entre dos o más variables. En esta sesión
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesUNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 45 a 57 UNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K JOSÉ A. JIMÉNEZ M.* Resumen En este artículo mediante el método de los
Más detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
Más detallesEstadística II Examen final enero 19/1/17 Curso 2016/17 Soluciones Duración del examen: 2 h y 15 min
Estadística II Examen final enero 19/1/17 Curso 016/17 Soluciones Duración del examen: h y 15 min 1. 3 puntos El Instituto para la Diversificación y Ahorro de la Energía IDAE ha publicado un estudio sobre
Más detallesTEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Más detallesEconometría Aplicada
Econometría Aplicada Inferencia estadística, bondad de ajuste y predicción Víctor Medina Intervalos de confianza Intervalos de confianza Intervalos de confianza Intervalos de confianza La pregunta que
Más detallesEscuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez.
Escuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez. Econometría Regresión Múltiple: Municipio Ocupados Población Analfabeta Mayor de 10 años Total de Viviendas Bejuma 18.874 1.835
Más detallesProfesor: Hugo S. Salinas. Primer Semestre Tabla 1: Inteligencia y Rendimiento. X Y Figura 1: Inteligencia y Rendimiento.
UNIVERSIDAD DE ATACAMA FACULTAD DE CIENCIAS JURÍDICAS / CARRERA DE TRABAJO SOCIAL TECNOLOGÍA INFORMÁTICA I (SPSS) ESTADÍSTICA DESCRIPTIVA CON MÁS DE UNA VARIABLE Profesor: Hugo S. Salinas. Primer Semestre
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesANÁLISIS DE REGRESIÓN N LINEAL
ANÁLISIS DE REGRESIÓN N LINEAL Varias partes tomadas de Julio H. Cole "Nociones de Regresión Lineal" en Enciclopedia Multimedia Virtual de Economía EMVI. http://eumed.net/cursecon/medir/index.htm Análisis
Más detallesECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de Regresión
Más detallesTema 5: Calibración de modelos. Modelado y simulación en Ingeniería Química. Manuel Rodríguez
Tema 5: Calibración de modelos ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema
Más detallesRegresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A
Regresión lineal REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL MÚLTIPLE N A Z IRA C A L L E J A Qué es la regresión? El análisis de regresión: Se utiliza para examinar el efecto de diferentes variables (VIs
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detallesUniversidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL
Universidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL OBJETIVO Analizar las Diferentes formas de Describir la Relación entre dos variables numéricas Trazar un diagrama de dispersión
Más detallesLección 3. Análisis conjunto de dos variables
Lección 3. Análisis conjunto de dos variables Estadística Descriptiva Parcialmente financiado a través del PIE13-04 (UMA) GARCÍA TEMA 3. ANÁLII CONJUNTO DE DO VARIABLE 3.1 COVARIANZA COEFICIENTE DE CORRELACIÓN
Más detallesPrueba de Hipótesis. Para dos muestras
Prueba de Hipótesis Para dos muestras Muestras grandes (n mayor a 30) Utilizar tabla Z Ho: μ1 = μ2 H1: μ1 μ2 Localizar en valor de Zt en la tabla Z Error estándar de la diferencia de medias Prueba de
Más detalles= 15 CALIFICACION:
6 + 4 + 5 = 15 CALIFICACION: Vacacion.xls Este fichero está adaptado del fichero vacation.gdt del libro de Hill et al.(2008) que se puede descargar en: http://gretl.sourceforge.net/gretl data.html PARTE
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesEstadística II Ejercicios Tema 5
Estadística II Ejercicios Tema 5 1. Considera los cuatro conjuntos de datos dados en las transparencias del Tema 5 (sección 5.1) (a) Comprueba que los cuatro conjuntos de datos dan lugar a la misma recta
Más detallesPart I. Descripción estadística de dos variables. Estadística I. Mario Francisco. Variable. bidimensional. Distribuciones de frecuencias
Part I Descripción de dos variables Introducción Si para un mismo individuo observamos simultáneamente k obtendremos como resultado una variable k-dimensional. Nos ocuparemos del estudio de las variables
Más detallesRegresión lineal simple
Regresión lineal simple Unidad 1 Javier Santibáñez IIMAS, UNAM jsantibanez@sigma.iimas.unam.mx Semestre 2018-2 Javier Santibáñez (IIMAS, UNAM) Regresión simple Semestre 2018-2 1 / 62 Contenido 1 Planteamiento
Más detallesESTADISTICA AVANZADA MODULO I
ESTADISTICA AVANZADA MODULO I Análisis de Regresión Modelo Supuestos Multiple 20.0 25.0 30.0 35.0 40.0 45.0 50.0 55.0 60.0 65.0 70.0 75.0 80.0 85.0 Consumo Energetico Gráfico de Dispersión 110.000 105.000
Más detallesTEMA 3 Modelo de regresión simple
TEMA 3 Modelo de regresión simple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Planteamiento del problema.
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesESTADÍSTICA APLICADA. Tema 4: Regresión lineal simple
ESTDÍSTIC PLICD Grado en Nutrición Humana y Dietética Planteamiento del problema Tema 4: Regresión lineal simple Recta de regresión de mínimos cuadrados El modelo de regresión lineal simple IC y contrastes
Más detalles7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE
ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago
Más detallesEstadística Inferencial. Sesión No. 9 Regresión y correlación lineal
Estadística Inferencial Sesión No. 9 Regresión y correlación lineal Contextualización En la administración, las decisiones suelen basarse en la relación entre dos o más variables. En esta sesión se estudia
Más detallesEstadística Diplomado
Diplomado HRB UNAM 1 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 Estimación por Intervalos Cantidades Pivotales
Más detallesTema 2: Análisis de datos bivariantes
1 Tema 2: Análisis de datos bivariantes En este tema: Tabla de contingencia, tabla de doble entrada, distribución conjunta. Frecuencias relativas, marginales, condicionadas. Diagrama de dispersión. Tipos
Más detallesAnálisis de regresión y correlación lineal
Análisis de regresión y correlación lineal En las unidades anteriores hemos aplicado metodologías estadísticas para analizar la información de una variable desde una o más muestras utilizando las herramientas
Más detallesRegresión ponderada y falta de ajuste
Capítulo 4 Regresión ponderada y falta de ajuste 4.1. Introducción En este capítulo se presentan la regresión ponderada y la prueba de falta de ajuste como un conjunto adicional de herramientas usadas
Más detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
Más detallesObjetivo: Proponer modelos para analizar la influencia
TEMA 3: REGRESIÓN LINEAL SIMPLE Objetivo: Proponer modelos para analizar la influencia de una variable cuantitativa sobre un fenómeno que nos interesa estudiar. 1. Modelo lineal l de regresión 2. Estimación
Más detallesEstimación. Diseño Estadístico y Herramientas para la Calidad. Estimación. Estimación. Inferencia Estadística
Diseño Estadístico y Herramientas para la Calidad Estimación Epositor: Dr. Juan José Flores Romero juanf@umich.m http://lsc.fie.umich.m/~juan M. en Calidad Total y Competitividad Estimación Inferencia
Más detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detallesTODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis
TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:
Más detallesCLAVE - LAB 13 (Regresión y correlación lineal)
CLAVE - LAB 13 (Regresión y correlación lineal) 1. Se condujo un experimento para examinar el efecto de diferentes concentraciones de pectina sobre la firmeza de batata enlatada. Se usaron tres concentraciones
Más detallesRegresión y Correlación
Relación de problemas 4 Regresión y Correlación 1. El departamento comercial de una empresa se plantea si resultan rentables los gastos en publicidad de un producto. Los datos de los que dispone son: Beneficios
Más detallesEstimación del modelo lineal con dos variables
Estimación del modelo lineal con dos variables el método de mínimos cuadrados ordinarios (MCO) Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Estimación del modelo lineal por MCO 1
Más detallesTema VII. La predicción de variables
7.1. La ecuación lineal de regresión: - Variable dependiente e independiente (fijas ó aleatorias):. Fijas (modelo I de regresión). Aleatorias (modelo II; más complejo) - Objetivo predictivo (básico en
Más detallesAnálisis de Regresión y Correlación Lineal
Análisis de Regresión y Correlación Lineal Análisis de dos ó más variables aleatorias Veamos que en los siguientes estudios hay situaciones donde intervienen más de una variable aleatoria Ejemplos: La
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesUniversidad de Sonora Departamento de Matemáticas Área Económico Administrativa
Universidad de Sonora Departamento de Matemáticas Área Económico Administrativa Materia: Estadística I Maestro: Dr. Francisco Javier Tapia Moreno Semestre: 016-1 Hermosillo, Sonora. Febrero 3 de 016. Introducción
Más detallesRegresión Lineal Múltiple
Unidad 4 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 35 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable respuesta
Más detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detallesMASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico.
MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 4: Modelos lineales. 1 Objetivos del tema Conocer los parámetros que indican la posible relación lineal entre variables. Aprender
Más detallesVARIABLES ESTADÍSTICAS BIDIMENSIONALES
VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes
Más detallesAjustando Curva SnapStat
STATGRAPHICS Rev. 9/14/26 Ajustando Curva SnapStat Resumen El procedimiento Ajustando Curva SnapStat crea un resumen de una pagina que describe la relación entre un solo factor cuantitativo X y una variable
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN SIMPLE Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción MODELO DE REGRESIÓN SIMPLE Julián de la Horra Departamento de Matemáticas U.A.M. Los modelos de regresión sirven, en general, para tratar de expresar una variable respuesta (numérica) en
Más detallesEjemplo de Regresión Lineal Simple
Ejemplo de Regresión Lineal Simple Países Porcentaje de Inmunización (x) Tasa de mortalidad (y) Bolivia 77 8 Brazil 69 65 Cambodia 3 84 Canada 85 8 China 94 43 Czech_Republic 99 Egypt 89 55 Ethiopia 3
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 12 REGRESIÓN LINEAL Mediante la regresión lineal se busca hallar la línea recta que mejor explica la relación entre unas variables independientes o variables de exposición y una variable dependiente
Más detallesUNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL. Tema:
UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL Tema: Correlación múltiple y parcial. Ecuaciones y planos de regresión La Plata, septiembre
Más detallesCORRELACIÓN Y REGRESIÓN. Juan José Hernández Ocaña
CORRELACIÓN Y REGRESIÓN Juan José Hernández Ocaña CORRELACIÓN Muchas veces en Estadística necesitamos saber si existe una relación entre datos apareados y tratamos de buscar una posible relación entre
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 4)
OBJETIVOS DE APRENDIZAJE: TEMA Nº ANÁLISIS CONJUNTO DE DOS VARIABLES Distinguir entre variables cualitativas y cuantitativas, y saber elegir los métodos en cada caso. Conocer métodos gráficos y cuantitativos
Más detallesEl modelo de regresión múltiple
El de regresión múltiple Simple El de regresión múltiple es la extensión a k variables explicativas del de regresión simple. La estructura del de regresión múltiple es la siguiente: y = f (x 1,..., x k
Más detalles