Estadstica inferencial

Estadstica Inferencial 1.
Docente: MED. Ariana Lizet Garca Soto.

Unidad 5. Regresin Simple.

Especialidad: Ingeniera Industrial.
Semestre: 3ro B.
Presentado por:
ALUMNO: ANA LAURA VAZQUEZ ULLOA.

Cd. Acua, Coahuila 07 Septiembre 2016.

Estadstica inferencial

INDICE:

Introduccin.... 3

Desarrollo . 4 22

Conclusin.23

Bibliografa.24

Estadstica inferencial

INTRODUCCION:
La primera forma de regresin lineal documentada fue el mtodo de los mnimos
cuadrados que fue publicada por Legendre en 1805, Gauss public un trabajo en
donde desarrollaba de manera ms profunda el mtodo de los mnimos
cuadrados, y en dnde se inclua una versin del teorema de Gauss-Mrkov.
El trmino regresin se utiliz por primera vez en el estudio de variables
antropomtricas: al comparar la estatura de padres e hijos, donde result que los
hijos cuyos padres tenan una estatura muy superior al valor medio, tendan a
igualarse a ste, mientras que aquellos cuyos padres eran muy bajos tendan a
reducir su diferencia respecto a la estatura media; es decir, "regresaban" al
promedio.
La constatacin emprica de esta propiedad se vio reforzada ms tarde con la
justificacin terica de ese fenmeno.
El trmino lineal se emplea para distinguirlo del resto de tcnicas de regresin,
que emplean modelos basados en cualquier clase de funcin matemtica. Los
modelos lineales son una explicacin simplificada de la realidad, mucho ms
giles y con un soporte terico mucho ms extenso por parte de la matemtica y la
estadstica.

Estadstica inferencial

Pero bien, como se ha dicho, se puede usar el trmino lineal para distinguir
modelos basados en cualquier clase de aplicacin.REGRESIN LINEAL SIMPLE.
En muchos problemas hay dos o ms variables inherentes relacionados, y es
necesario explorar la naturaleza de esta relacin. El anlisis de regresin es una
tcnica estadstica para modelar e investigar la relacin entre dos o ms variables.
Deseamos determinar la relacin entre una sola variable regresiva X y una
variable de repuesto Y. La variable regresiva X se supone como una variable
matemtica continua, controlable por el experimentador. Supngase que la
verdadera relacin entre Y y X es una lnea recta, y que la observacin Y en cada
nivel de X es una variable aleatoria. Luego, el valor esperado de Y para cada valor
de X es:
E Y X

1X

EC.1
Donde:
La ordenada de origen 0 y la pendiente 1 son constantes desconocidas.
Suponemos que cada observacin Y, puede describirse mediante el modelo
siguiente:

Y 0 1X E
EC.2
Donde:
E = error aleatorio con media cero y varianza 2.
Por medio del mtodo de mnimos cuadrados estimaremos 0 y 1 de manera que
la suma de los cuadrados de las desviaciones entre las observaciones y la lnea
de regresin sean mnimas.
Empleando la EC. 2, podemos escribir:

Yi 0 1 Xi Ei

i=1,2,3,,n

EC.3

Estadstica inferencial

Y la suma de los cuadrados de las desviaciones de las observaciones respecto a

la lnea de regresin verdadera es:
n

L Ei 2
i 1

(Y
i

i 1

1X 1)

2
EC.4

Los estimadores de mnimos cuadrados de 0 y 1, digamos deben satisfacer:

n

L
| 0 1 2 (Y 1 0 i X i ) 0
0
i 1

L
| 0 1 2 (Y 1 0 i X i ) X 1 0
0
i 1

EC.5

La simplificacin de estas dos ecuaciones produce:

n 0 X i
i 1

EC.6

0 X 1 1 x1
i 1

i 1

yx
i

Las ecuaciones 6 se denominan ecuaciones normales de mnimos cuadrados.

La solucin para la ecuacin normal es:

0 y 1 x
EC.7

Y X
I 1

X
i 1

Y X
i

i 1

i 1

2
i

i 1

EC.8

Donde:
5

Estadstica inferencial

1
n

Y Y
i

i 1

1
n

i 1

Por lo tanto, las ecuaciones 7 y 8 son los estimadores por mnimos cuadrados, de
la ordenada al origen y la pendiente, respectivamente. El modelo de regresin
lineal simple ajustado es:

y 0 1 X

EC.9

DIAGRAMA DE DISPERSIN
120
100
80
60
RENDIMIENTO
40
20
0
80

100

120

140

160

180

200

TEMPERATURA

Respecto a la notacin, es conveniente dar smbolos especiales al numerador y al

denominador de la ecuacin 8, esto es:

Estadstica inferencial

Sxx X i X

i 1

Xi

Sxy Yi ( Xi X ) XiYi
i 1

Xi

i 1

i 1

EC.10

Xi Yi
i 1

i 1

i 1

EC.11

Llamaremos a Sxx la suma corregidora de cuadrados de x y a Sxy la suma

corregida de productos cruzados de x y y. Los datos del extremo derecho
de las ecuaciones 10 y 11 son las frmulas de cmputo usuales.
Al emplear esta nueva notacin, el estimador de mnimos cuadrados de la
pendiente es:

Sxy
Sxx

EC.12

Ejemplo 1:
Un ingeniero qumico est investigando el efecto de la temperatura de
operacin de proceso en el rendimiento del producto. El estudio da como
resultado los siguientes datos:
Temperatura
C X
100
110
120

Rendimiento
% Y
45
51
54

XjYj
4500
5610
6480

Xj2
10000
12100
14400

Yj2
2025
2601
2916
7

Estadstica inferencial

130
140
150
160
170
180
190
1450

61
66
70
74
78
85
89
673

7930
9240
10500
11840
13260
15300
16910
101570

16900
19600
22500
25600
28900
32400
36100
218500

3721
4356
4900
5476
6084
7225
7921
47225

El examen de este diagrama de dispersin indica que hay una fuerte relacin entre
el rendimiento y la temperatura, y la suposicin tentativa del modelo de lnea recta

y 0 1X E

parece razonable.

n = 10
10

10

Xj 1450
Y 673
j 1
j

j 1

y 67.3 x 145
10

X
j 1

10

218500

2
j

j 1

10

XY

j j

2
j

47225

101570

j 1

Sustituyendo en EC.10 y EC.11

10

Sxx X
j 1

2
j

10

X
j

j 1

10

Estadstica inferencial

1450
Sxx 218500

10

218500 210250 8250

10

Yj
X
j

10
j 1
j 1
Sxy XjYj
10
j 1

Sxy 101570

10

1450 673
10

101570 97585 3985

Los estimadores de mnimos cuadrados de la pendiente y la ordenada al origen

son:

Sxy 3985
1
0.483030303
Sxx
8250

0 y 1 x 67.3 (0.483030303)(145) 67.3 70.03935 2.73939

El modelo de regresin lineal simple ajustado es:

y 0 1 X 2.73939 0.48303 X

Suele ser necesario obtener una estimacin de . La diferencia entre la

observacin Yj y el correspondiente valor predicho

Yj

, la diferencia digamos e j =

Yj -

Yj

, se denomina un residuo. La suma de los cuadrados de los residuos, o

la suma de cuadrados del error, sera:

9

Estadstica inferencial
n

j 1

SSE =

j 1

ej2

SSE

(Yj

Yj

)2

EC. 14

Y 0 1 X j

Una frmula de clculo ms conveniente para SSE puede

encontrarse sustituyendo el modelo ajustado

en la EC. 14 y

j 1

simplificando considerando que

(Yj

Yj

)2

entonces podemos escribir SSE

como:

SSE = Syy -

Sxy

EC. 15

El valor esperado de la suma de cuadrados del error E(SSE) = (n-2), por lo

tanto:
2

SS E
MS E
n2

el cual es un estimador de .

PRUEBA DE HIPTESIS EN LA REGRESIN LINEAL SIMPLE.

Una parte importante de la evaluacin de la suficiencia del modelo de regresin
lineal simple es la prueba de hiptesis estadstica en torno a los parmetros del
modelo y la construccin de ciertos intervalos de confianza. Para probar la
hiptesis con respecto a la pendiente y la ordenada al origen del modelo de
regresin, debemos de hacer la suposicin adicional de que la componente del
error ej se distribuye normalmente. Por consiguiente, las suposiciones completas
son que los errores son NIP (0, 2). Despus analizaremos como pueden
verificarse estas suposiciones mediante el ANLISIS RESIDUAL.

10

Estadstica inferencial

Supngase que deseamos probar la hiptesis de que la pendiente es igual a una

constante, digamos

(1, 0)

, las hiptesis apropiadas son:

H 0 : 1 (1, 0)

EC. 16

H 1 : 1 (1,0 )

Donde hemos supuesto una alternativa de dos lados (bilateral). Como resultado de
la suposicin de normalidad, el estadstico es:

t0

1 (1, 0)
MS E
Sxx

EC. 17

Sigue la distribucin t con n-2 grados de libertad bajo

Rechazaramos H0 s:
Donde

t0

t 0 t / 2,n2

H 0 : 1 (1, 0)

EC. 18

se calcula a partir de la EC. 17 puede emplearse un procedimiento

similar para probar la hiptesis respecto a la ordenada al origen. Para probar

H 0 : 0 (0,0)

EC. 19

H 1 : 0 ( 0,0)
Usaramos el estadstico:

t0

1 ( 0,0 )
1 x2
MS E

n Sxx

Y se rechaza la hiptesis nula si

EC. 20

t 0 t / 2 , n 2

; un caso especial muy importante

de la hiptesis de la ecuacin es:

H 0 : 1 0

H1 : 1 0

EC. 21
11

Estadstica inferencial

Esta hiptesis se relaciona con la significacin de la regresin. El procedimiento

de prueba para

H 0 : 1 0

puede desarrollarse a partir de desplazamientos. El

primer planteamiento se inicio con la siguiente divisin.

n

Syy (Y j Y j ) 2
j 1

(Y j Y j )2
j 1

(Y j Y j )2
+

j 1

EC. 22

Las dos componentes Syy miden, respectivamente, el tamao de la variabilidad

en la yj, explicada por la lnea de regresin y la variacin residual dejada sin
explicar por la lnea de regresin, solemos llamar a:
n

SSE = (Yj

Y
j

)2 la suma de los cuadrados del error,

j =1

SSR = (Yj Yj)2 la suma de regresin de cuadrados.

j =1

Por consiguiente la EC. 22 puede escribirse como: Syy = SSR + SSE

EC. 23

Al comparar la EC. 23 con la EC. 15, notaremos que la suma de regresin de

cuadrados SSR es :

SSR =

Sxy

EC. 24

Syy tiene n-1 grados de libertad, y SS R y SSE tiene 1 y n-2 grados de libertad
respectivamente. Podemos mostrar que:
E SSE = 2
(n-2)

E(SSR)= 2 + 12Sxx

Y que SSE y SSR son independientes. Por tanto, si H o: 1 = 0; es verdadera,

entonces el estadstico:
SSR
12

Estadstica inferencial

F0 =

= MSR

SSE

MSE

EC. 25

(n-2)

Sigue la distribucin F1, n-2, y rechazaramos H0 si F0 >

F , 1, n 2

El procedimiento de prueba suele arreglarse en una tabla de anlisis de varianza,

tal como la tabla 1.
Anlisis de varianza para probar la significancia de la regresin:
Fuente

de Suma

Variacin
Regresin

de Grados

cuadrados

Libertad
1

SSR = 1Sxy
SSE = Syy - n-2

Error
Residual

de Media

F0

cuadrtica
MSR

MSR / MSE

MSE

1Sxy
de Syy

Total

n-1

Grados
La prueba para la significancia de la regresin puede desarrollarse tambin a partir
de la EC. 17 con B1,0 = 0, digamos:

1
MS E
Sxx

t0

EC. 26

Al elevar al cuadrado ambos lados de la Ec. 26, obtenemos:

t02 =

Sxx =

MSE

Sxy = MSR

MSE

EC. 27

MSE

Ntese que t02 en la Ec. 27 es idntico a F0 en la EC. 25, es cierto en general, que
el cuadrado de una variable aleatoria t con f grados de libertad es una variable
aleatoria F, con uno y f grados de libertad en el numerador y el denominador,
13

Estadstica inferencial

respectivamente. En consecuencia, la prueba que utiliza t 0 es equivalente a la

prueba basada en F0.
Ejemplo 2: Probablemente el modelo desarrollado en el ejemplo 1 en lo que
se refiere a la significacin de regresin. El modelo ajustado es:

= -2.73939 + 0.480303X, y Syy se calcula como:

Syy Yj 2
j 1

j 1

Yj
n

47225

673 2 1932.10
10

Tabla 2: Prueba para la significancia de la regresin, ejemplo 2.

Fuente

de Suma de los Grados

de Media

variacin
Regresin

cuadrados
1924.87

libertad
1

cuadrtica
1924.87

Error

7.23

0.90

Total

1932.10

F01, 1, 8 = 11.26

Fo
2138.74

F0.025, 8, 1 = 7.57 Tabla 5

La suma de regresin de cuadrados es: SS R =

Sxy = (0.4830303)(3,985) =

1924.87
Y la suma de cuadrados de 1 error es: SSE = Syy-SSR = 1932.10-1924.87 = 7.23
El anlisis de varianza para probar H 0 = B1 = 0 se resume en la tabla 2. Al notar
que F0 = 2138.74 > F01,1,8 = 11.26, rechazamos Ho y concluimos que H1: B1 0.
ESTIMACIN DE INTERVALOS EN LA REGRESIN LINEAL SIMPLE.

14

Estadstica inferencial

Adems de la estimacin puntual de la pendiente y la ordenada al origen, es

posible obtener estimaciones del intervalo de confianza de estos parmetros. El
ancho de estos intervalos de confianza es una media de calidad total de la lnea
de regresin. Si las ej se distribuyen normal e independientemente, entonces:

1 1

MS E / Sxx

1
x

MS E

n
Sxx

0 0

Se distribuye como t con n-2 grados de libertad, en consecuencia, un

intervalo de confianza del 100% (1-) por ciento en la pendiente B 1 esta dada
por:

B1 t / 2,n 2

MS E
Sxx

B1 B1 t / 2,n 2

MS E
Sxx

EC.28
De manera que similar a un intervalo de confianza del 100% (1-) en la
ordenada del origen es:

0 t / 2, n 2

1 x2
MS E

n Sxx

0
0
/ 2, n 2

1 x2
MS E

n Sxx

EC.29
Ejemplo 3: Determinemos un intervalo de confianza del 95% en la pendiente
de la lnea de regresin empleando los datos en el ejemplo 1. Recurdese

que

=0.48303, Sxx =8250 y MSE =0.90 de la tabla 2. Sustituyendo

obtenemos:

15

Estadstica inferencial

MS E
MS E
1 1 t 0.025, 8
Sxx
Sxx
1 p 1 0.95 0.05; t / 2 t 0.025 2.306v.t.

1 t 0.025, 8

0.90
0.90
1 0.48303 2.306
8250
8250
0.48303 2.306(0.010444659) 1 0.48303 2.306(0.010444659)
0.48303 2.306

0.48303 0.024085384 1 0.48303 0.024085384

0.458944616 B1 0.507115384

Puede construirse un intervalo de confianza del 100% (1-) alrededor de la lnea

de regresin verdadera de X = Xo puede calcularse a partir de:

(
X

X
)
1
1
(
Xo

X
)2
0

MS E
E (Y / X 0 ) Y0 t / 2,n2 MS E
n
Sxx
n
Sxx

Y 0 t / 2, n2

EC.30
El intervalo de confianza para E (y / X 0) es una funcin de X0. El ancho de un
intervalo es un mnimo para Xo = X y se ensancha conforme l X 0-X l aumenta.

e yj y j

yj

LIMITES

X0
100
110
120
130
140
150
160
170
180
190

Y0

45
51
54
61
66
70
74
78
85
89

45.56
50.39
55.22
60.05
64.88
69.72
74.55
79.38
84.21
89.04

DE

INTERVALO

INTERVALO

95%
-1.29
1.09
0.92
0.78
0.7
0.7
0.78
0.92
1.09
1.29

E(Y/X0)
44.27 A 46.84
49.29 A 51.48
54.30 A 56.14
59.27 A 60.83
64.18 A 65.58
69.02 A 70.42
73.77 A 75.33
78.46 A 80.30
83.12 A 85.30
87.75 A 90.33

1.29
1.09
0.92
0.78
0.7
0.7
0.78
0.92
1.09
1.29

e yj y j

-0.56
0.61
-1.22
0.95
1.12
0.28
-0.55
-1.38
0.79
-0.04
0.00

0.3136
0.3721
1.4884
0.9025
1.2544
0.0784
0.3025
1.9044
0.6241
0.0016
7.2420
16

Estadstica inferencial

Ejemplo 4: Construimos un intervalo de confianza del 95% en torno a la lnea

de regresin

para los datos en el ejemplo 1. El modelo ajustado es

Y0 = - 2.73939 + 0.48303 X. X0 y el intervalo de confianza en E (y/X0).

1 ( Xo X ) 2
MS E
n
Sxx

Y0 t / 2, n2

1 ( Xo 145) 2

y0 2.306 0.90

8250

10

Los valores ajustados de

Y0

y los correspondientes limites de confianza del 95%

para los puntos Xo = Xj, j = 1, 2, . . . ,10, se representan en la tabla 3, podemos

encontrar el intervalo de confianza del 95% en la media real del proceso en Xo =
140 C.

Y 0 2.73939 0.48303 X 0 2.73939 0.48303(140) 0.73939 67.6242 64.88

64.88 2.306 0.901 / 10 (140 145)2 / 8250 64.88 2.306 0.90 0.103030303
64.88 2.306 0.092727272 64.88 2.303(0.304511531) 64.88 0.7022003
64.88 0.70 E y / x 0 140) (64.88 0.70
64.18 E y / x 0 140 65.58

TAREA: Calcular todas las

Y0

PREDICCIN DE NUEVAS OBSERVACIONES.

Una aplicacin importante del anlisis de regresin es predecir nuevas y futuras
observaciones y correspondientes a un nivel especifico de la nueva variable
regresiva X. Si X0 es el valor de la variable regresiva de inters entonces:

Y 0 0 1 X0

EC. 31

El intervalo de prediccin de (1-) 100% respecto a las observaciones

futuras en X0 es: EC. 32
17

Estadstica inferencial

Y 0 t / 2, n2

(
X

X
)
1
1
(
Xo

X
)2
0
E (Y / X 0 ) Y0 t / 2, n2 MS E 1
MS E 1

n
Sxx

n
Sxx

Al comparar la Ecuacin 32, con la Ecuacin 30, observamos que el intervalo de

prediccin X0 siempre es ms ancho que el intervalo de confianza en X0. Esto
resulta por que el intervalo de prediccin depende tanto del modelo estimado
como del error asociado con las predicciones futuras (2).
Para ilustrar la construccin de un intervalo de prediccin, supngase que usamos
los datos del ejemplo 1 y encontramos un intervalo de prediccin del 95% en la
siguiente observacin respecto al rendimiento del proceso en X0 = 160 C

1
(
160

145
)2
1 (160 145) 2

74.55 2.306 0.90 1

E (Y / 160) 74.55 2.306 0.90 1

10
8250

10
8250

74.55 2.306 0.901.127272727 E (Y / 160) 74.55 2.306 0.901.127272727

74.55 2.306 1.014545455 E (Y / 160) 74.55 2.306 1.014545455
74.55 2.3061.007246472 E (Y / 160) 74.55 2.3061.007246472

74.55 2.322710364 E (Y / 160) 74.55 2.322710364

72.22728964 E (Y / 160) 76.87271036
72.23 E (Y / 160) 76.87

MEDIDA DE ADECUACIN DEL MODELO DE REGRESIN.

El analista siempre debe considerar dudosa la validez de ciertas suposiciones y
conducir los anlisis para examinar la adecuacin del modelo que se ha
considerado en forma tentativa. Definimos los residuos como ej = yj - j, j = 1,2,...,
n, donde yj es una observacin en el valor estimado correspondiente a partir del
modelo de regresin. El anlisis de los

residuos es con frecuencia til en la

18

Estadstica inferencial

confirmacin de la suposicin de que los errores son NIP(0, 2) y

en la

determinacin de si los trminos adicionales en los modelos seran de utilidad.

Con frecuencia es til graficar los residuos, en secuencia del tiempo (si se
conoce), contra j, y contra la variable independiente X, estas grficas se
representan como una de los cuatro patrones generales que se, muestran a
continuacin: El patrn a) representa la situacin normal, los patrones b), c), y d)
representan anomalas, s una grafica de los residuos con el tiempo tiene la
apariencia de b), entonces la varianza de las observaciones se incrementa con el
tiempo. Las graficas contra Xj y j que se observa en los diagramas; c) indica
tambin desigualdad de varianza. Las graficas de residuos que se observan como
d) indican la insuficiencia del modelo; esto es, trminos de mayor orden que deben
ser aadidos al modelo.
Ejemplo 5: Los residuos para el modelo de regresin en el ejemplo 1 se
calcularn como sigue:

ej = yj - j

e1 = 45.00 45.56 = -0.56

e2 = 51.00 50.39 = 0.61
e3 = 54.00 - 55.22 = -1.22
e4 = 61.00 - 60.05 = 0.95
e5 = 66.00 - 64.88 = 1.12
e6 = 70.00 - 69.72 = 0.28

a) Satisfactorio

b) Embudo

c) Doble arco

d) No lineal

e7 = 74.00 - 74.55 = -0.55

e8 = 78.00 - 79.38 = -1.38
e9 = 85.00 - 84.21 = 0.79
e10 = 89.00 - 89.04 = -0.04
Solucin del ejemplo 5.

19

Estadstica inferencial

Yj

(Yj- j)2

100 45

0.3136

110 51

0.3721

120 54

1.4884

130 61

0.9025

140 66

1.2544

150 70

0.0784

160 74

0.3025

170 78

1.9044

180 85

0.6241

190 89

0.0016

Xj

Syy = 1,932.10.........................................Y = 67.3

Sxy = 3,985.................................X = 145
Sxx = 8,250
El modelo de regresin simple es........................... = -2.73939 0.48303 X
SSR = 1 Sxy
SSR = (0.48303)(3.985) = 1,984.87
20

Estadstica inferencial

PRUEBA DE LA FALTA DE AJUSTE.

Los modelos de regresin a menudo se ajustan a los datos cuando la verdadera
relacin funcional se desconoce. Es importante conocer si el orden del modelo
asumido en forma tentativa es correcto. La prueba implica dividir la suma de
cuadrados del error o del residuo de los siguientes dos componentes: la suma de
cuadrados total para el error puro sobre los niveles de X como:
m

SSPE Yju Y j

j 1 u 1
ne
Hay

EC. 33

nj 1
j 1

= n - m; nmero de grados de libertad asociados con la

suma de cuadrados de error puro.

La suma de cuadrados para la falta de ajuste es simplemente:

SSLOF SSE SSPE

n 2 ne m 2

Con

EC. 34
grados de libertad

La estadstica de prueba para la falta de ajuste seria entonces:

Fo

SSLOF m 2 MSLOF

SSPE n m
MSPE

EC. 35

Y la rechazamos si F0 > F, m-2, n-m

Ejemplo 6:

Xj
1
1
2
3.3
3.3
4
4
4
4.7
5

Yj
2.3
1.8
2.8
1.8
3.7
2.6
2.6
2.2
3.2
2

Xj Yj
2.3
1.8
5.6
5.94
12.21
10.4
10.4
8.8
15.04
10

Xj 2
1
1
4
10.89
10.89
16
16
16
22.09
25

Yj 2
5.29
3.24
7.84
3.24
13.69
6.76
6.76
4.84
10.24
4

(Yj - Y)2
0.29927336
1.09633218
0.00221453
1.09633218
0.72750865
0.06103806
0.06103806
0.41868512
0.12456747
0.71750865

0
11 5.6

3.5

19.6

31.36

12.25

1.42633218

n
1
2
3
4
5
6
7
8
9
1

21

Estadstica inferencial

5.6

2.8

15.68

31.36

7.84

0.00221453

2
1

5.6

2.1

11.76

31.36

4.41

0.55809689

3
1

3.4

20.4

36

11.56

0.30574394

4
1

3.2

19.2

36

10.24

0.12456747

5
1

6.5

3.4

22.1

42.25

11.56

0.30574394

6
1

6.9

34.5

47.61

25

4.63515571

74.

48.

225.7

378.8

148.7

10.9623529

5
4
3
1
6
Realizando las pruebas de falta de ajuste obtenemos la siguiente tabla:
N
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

Xj
1
1
2
3.3
3.3
4
4
4
4.7
5
5.6
5.6
5.6
6
6
6.5
6.9
74.5

Yj
2.3
1.8
2.8
1.8
3.7
2.6
2.6
2.2
3.2
2
3.5
2.8
2.1
3.4
3.2
3.4
5
48.4

Nivel de X

1
1

2.05
2.05

(yj )2
0.0625
0.0625

3.3
3.3
4
4
4

2.75
2.75
2.47
2.47
2.47

0.9025
0.9025
0.0169
0.0169
0.0729

5.6
5.6
5.6
6
6

2.8
2.8
2.8
3.3
3.3

0.49
0
0.49
0.01
0.01

m =5

(Yj 0.125
1.805

)2

0.1067

0.98
0.02

SSPE=3.0367

22

Estadstica inferencial

X 4.38235294

Y 2.84705882

Sxx 52.53

Sxy 13.6241176

1 0.26037638

0 1.70899762

SS E 7.4288
EL

modelo

de

regresin

simple

es

Y 0 1 x 1.70899762 0.26037638 x
n 17
Syy 10.97
SSLOF SSE - SSPE
SSLOF 7.4288 - 3.0367 4.3921
SSR 1Sxy

SSR 0.260 13.62 3.5412

Puesto que

F0 F , m 2, n m

es

igual

F0.025, 5 2, 175 4.47

V.T.

23

F0
F0

SS LOF / m 2
MS LOF

SS PE / n m
MS PE

4.3921 / 5 2
1.4640

5.78
3.0367 / 17 5 0.2530

Puesto que 5.78 > 1.56 la hiptesis se rechaza

COEFICIENTE DE DETERMINACIN.

R2
La cantidad de

SS R
SS E
1
Ecuacin 36
SS yy
SS yy

Se denomina el coeficiente de determinacin y se emplea para juzgar la

suficiencia de un nmero regresin.

R2

3.5412
7.4288
1
0.3228
10.97
10.97

CORRELACIN
La mxima verosimilitud de las variables.

r
r

S xy
xx

S yy

1/ 2

Ecuacin 37

3985
3985

0.998128718
82501932.10 1/ 2 3992.471039

Conclusin:
La regresin lineal se emplea en estadstica para analizar la relacin o
dependencia que hay entre las variables estudiadas. Nos interesar cuantificar la
intensidad de dicha relacin lineal entre las variables a travs de un coeficiente de
correlacin lineal que designaremos por la letra r tambin conocido como
coeficiente de Pearson. Grficamente todo esto se puede plasmar mediante un
diagrama de dispersin (nube de puntos) con su correspondiente recta ajustada.
En este post acotaremos este anlisis a la correlacin entre dos variables x e y
nicamente, es decir, haremos un anlisis exclusivamente bidimensional ya que el
abordaje multivariante es ms complejo. No obstante, ser de vital importancia
tambin determinar el coeficiente de determinacin (R2) o bondad del ajuste. Este
nos indica el porcentaje del ajuste que se ha conseguido con el modelo lineal. A
mayor porcentaje mejor es nuestro modelo para predecir el comportamiento de la
variable y. De modo que se trata de una medida de la proximidad o de ajuste de la
recta de regresin a la nube de puntos.

Bibliografa

https://es.wikipedia.org/wiki/Regresi%C3%B3n_lineal