Académique Documents
Professionnel Documents
Culture Documents
Peso en Kg.
61 60 78 62 66 60 54 84 68 ...
Las observaciones pueden ser representadas en un diagrama de dispersin Nuestro objetivo ser intentar reconocer a partir del mismo si hay relacin entre las variables, de qu tipo, y si es posible predecir el valor de una de ellas en funcin de la otra.
e c e r P a ra a l tu
e e qu
es p l
um a o
a t n e
la n co
180
190
200
170
180
190
200
100
Incorrelacin
90 80 70 60 50 40 30
150
160
170
180
190
200
140
150
160
170
180
190
200
Para valores de X por encima de la media tenemos valores de Y por encima y por debajo en proporciones similares. Incorrelacin.
80 70 60 50 40 30 20 10 0 140 150 160 170 180 190 200
Para los valores de X mayores que la media le corresponden valores de Y mayores tambin. Para los valores de X menores que la media le corresponden valores de Y menores tambin. Esto se llama relacin directa.
Para los valores de X mayores que la media le corresponden valores de Y menores. Esto es relacin inversa o decreciente.
y 360
380
420
320
340
390
150
160
170
180
190
370
380
350
360
150
160
170
180
190
r=0,1
150 160 170 180 190 200
r=0,4
150 160 170 180 190 200
100 90 80 70 60 50
r=0,8
190 200
r=0,99
190 200
80 70 60 50 40 30 20 10
160 170 180 190 200
r=-0,5
150
r=-0,7
150 160 170 180 190 200
0 140 80 70 60 50 40 30 20
80 70 60 50 40 30 20 10 0 140
r=-0,95
150 160 170 180 190 200
10
r=-0,999
150 160 170 180 190 200
0 140
buscamos encontrar una funcin de X muy simple (lineal) que nos permita aproximar Y mediante
! = b0 + b1X
b0 (ordenada en el origen, constante) b1 (pendiente de la recta)
Y e ! rara vez coincidirn por muy bueno que sea el modelo de regresin. A la cantidad
e = (Y-!) se le denomina residuo o error residual.
b1=0,5
b0=85 cm
Regresion lineal
La relacin entre las variables no es exacta => Cul es la mejor recta que sirve para predecir los valores de Y en funcin de los de X Qu error cometemos con dicha aproximacin (residual).
180 150 120 90 60 30 0
70 90 100 120 150 160 170 180 200 210 220 80 110 130 140 190 0 40 10 20 30 50 60
b1=0,5
b0=85 cm
Regresin lineal
El modelo lineal de regresin se construye utilizando la tcnica de estimacin mnimo cuadrtica:
Buscar b0, b1 de tal manera que se minimice la cantidad
" i e i2
Interpretacin de la variabilidad en Y
En primer lugar olvidemos que existe la variable X. Veamos cul es la variabilidad en el eje Y. Y
La franja sombreada indica la zona donde varan los valores de Y. Proyeccin sobre el eje Y = olvidar X
Y = " + !X
E (Y X ) = " + !X
Mtodo de Mnimos Cuadrados
2 # = ( Y $ ( " + ! X )) % % i i =1 i =1 n 2 i n
((X
i =1 n i =1
! X )(Yi ! Y ) =
2 ( X ! X ) ( i
S XY 2 SX
a = Y !bX
Varianza Residual de Y para cada valor de X
2 Y .. X
1 n n !1 2 2 2 2 = ( Y ! ( a + bX )) = S ! b SX " i i Y n ! 2 i =1 n!2
1'( )
SY .. X SX
Contraste de Hiptesis
H 0 : % = %0 # " H1 : % $ % 0 !
1'( y0
& # ( x0 ' X ) 2 # & 1 = $ a + bx0 ' $ t n ' 2,( SY .. X (1 + n + ( n '1) S 2 ) !, a + bx0 + (...)! X 2 % " % "
Contraste de Hiptesis
(a + bx0 " 0 ) SY .. X ( +
1 n ( x0 " X )
2 2 ( n "1) S X
S XY b= 2 SX
Estiman Por tanto
S XY r= S X SY
y
!
SY b= r SX
!
"Y #= ! "X
Regresion Lineal
Problema
Regresion Lineal
Se desea saber si existe relacin lineal entre el peso del recin nacido y el nivel de estriol en su madre.
7 9 14 16 16 17 21 15 17 27 15 16 18 18 22 24 2500 2500 2700 2400 3000 3000 3000 3200 3200 3400 3400 3500 3500 3700 4000 4300 9 12 16 14 16 19 24 16 25 15 15 19 17 20 25 2500 2700 2700 3000 3100 3100 2800 3200 3200 3400 3500 3400 3600 3800 3900
Regresin Simple
Con las expresiones de b y a calculamos los coeficientes y cte.
' n % ( X iYi ! nXY 1 b = % i =n 2 2 % X ! n X ( i % & i =1 $ " "= " " #
((X
i =1 n i =1
! X )(Yi ! Y ) =
2 ( X ! X ) ( i
S XY 2 SX
a = Y !bX
Varianza Residual de Y (Error tipico de estimacion) para cada valor de X
2 Y .. X
1 n n !1 2 2 2 2 = ( Y ! ( a + bX )) = S ! b SX " i i Y n ! 2 i =1 n!2
Regresion Lineal
Covarianza / Varianza(X)
Regresion Lineal
Regresion Lineal
Regresion Lineal
Regresion Lineal
Regresion Lineal
Regresion Lineal
Regresion Lineal
Regresion Lineal
Regresion Lineal
Regresion Lineal