You are on page 1of 21

Estadística Inferencial

Ing. Myriam Loayza

Contenido

1. Modelo Probabilístico Simple

2. Ecuación de la Recta

3. Regresión Lineal

4. Mínimos Cuadrados y
Correlación

ejemplo: cálculo del PBI. etc. . representa una tendencia en una serie de datos obtenidos en un periodo.Modelo Probabilístico Simple  El Modelo Probabilístico Simple. valor de acciones.  La línea de tendencia se puede dibujar a simple vista a partir de un grupo de puntos pero su posición y pendiente se calcule mediante técnicas estadísticas como las regresiones lineales. precios de bienes.

recta. b1 = m b0 = b ෝ = b1 x + b0 𝒚 valor de y cuando x = pendiente 0 . el origen. 1 2 3 Cálculo de la Cálculo de la ordenada en Gráfica de la pendiente. Modelo Probabilístico Simple Ejemplo de estimación utilizando el método de mínimos cuadrados.

y = mx + b .  La Ecuación de la recta de regresión muestral se puede determinar a partir de los valores de m (o a) y b de la recta con los datos observados de la muestra. Del Modelo a la Ecuación de la Recta  Las líneas de tendencia son generalmente líneas rectas. aunque algunas variaciones utilizan polinomios de mayor grado dependiendo de la curva deseada en la línea.

 El Modelo de Regresión Lineal se puede representar en función y=ƒ(x) a:  Población:  Muestra: Y = b0 + b1X + e  Estimación: Ῡ = b0 + b1X . Ecuación de la Recta  y=mx+b  El análisis de regresión lineal es la técnica que se emplea para desarrollar un modelo estadístico de la recta y hacer predicciones de la variable en el futuro.

representa una línea recta. C pertenecen a los números reales y en que A y B no son simultáneamente nulos. B.  Cada punto se compone de: (x. Ecuación de la Recta  Conocemos por recta a la línea formada por una serie continua de puntos en una misma dirección que no tiene curvas ni ángulos y cubre la menor distancia posible entre dos puntos. Ordenada) .  La ecuación general de primer grado Ax+By+C=0. donde A. y) = (Abscisa .

que se obtiene con la fórmula: y = mx + n  Forma simplificada: .Ecuación de la Recta  Recordado lo anterior. veamos ahora la ecuación de la recta que pasa solo por un punto conocido y cuya pendiente (de la recta) también se conoce.

El análisis de regresión lineal es la técnica que se emplea para desarrollar un modelo estadístico de la recta y hacer predicciones de la variable en el futuro. Regresión Lineal  La regresión lineal observa la relación existente entre dos variables con fines predictivos. . La regresión estadística o regresión a la media es la tendencia de una medición extrema a presentarse más cercana a la media en una segunda medición.

Regresión y Correlación  La correlación (ρ o r) mide la intensidad de la relación existente entre dos variables. El análisis de correlación es el conjunto de técnicas estadísticas para medir el coeficiente de correlación. . cuyos valores pueden variar entre -1 y 1. si la relación entre las dos variables es inversa o directamente proporcional a la variación de la variable independiente.

Si "r" > 0. Si "r" < 0. peso y velocidad: los alumnos más gordos suelen correr menos. La correlación negativa es tanto más fuerte cuanto más se aproxime a -1. la correlación lineal es positiva (si sube el valor de una variable sube el de la otra). La correlación es tanto más fuerte cuanto más se aproxime a 1. la correlación lineal es negativa (si sube el valor de una variable disminuye el de la otra). Correlación Ejemplos de correlación (r) altura y peso: los alumnos más altos suelen pesar más. .

 La variable o variables que se usan para predecir el valor de la variable dependiente se llaman variables independientes. nos pueden permitir predecir las ventas correspondientes a un determinado gasto en publicidad. . Por ejemplo. Modelo de Regresión Lineal Simple  Muchas decisiones suelen basarse en la relación entre dos o más variables. a la variable que se va a predecir se le llama variable dependiente.  En regresión. observar la relación entre el gasto en publicidad y las ventas.

Un estudio muestral de dicha relación se muestra en la siguiente tabla: RESPONDA:  ¿Cuáles son los valores de ŷ para x=45 y x=20? Fórmulas: 𝑛 σ 𝑥𝑦 − σ 𝑥 σ 𝑦 𝑏1 = 𝑛 σ 𝑥 2 − (σ 𝑥)2 σ𝑦 σ𝑥 b0 = 𝑛 – 𝑛 b1 . Ejemplo  Una empresa de venta de productos por catálogo observa que las ventas y (en miles de soles) en cada sector de la ciudad están en función al número de vendedoras x (aliadas estratégicas) de la empresa.

.  El modelo de los mínimos cuadrados es un modelo de regresión simple y a su gráfica se le llama recta de regresión estimada. b0 es la intersección con el eje y y b1 es la pendiente.  Al análisis de regresión en el que intervienen dos o más variables independientes se le llama análisis de regresión múltiple. se le conoce como regresión lineal simple. Modelo de Regresión Lineal Simple  El análisis de regresión en el que interviene una variable independiente y una variable dependiente y en el que la relación entre estas variables es aproximada mediante una línea recta.

Modelo de Regresión Lineal Simple  El análisis de regresión no puede entenderse como un procedimiento para establecer una relación de causa y efecto entre las variables.  En la regresión lineal simple. Este procedimiento sólo indica cómo o en qué medida las variables están relacionadas una con otra. . cada observación consta de dos valores: uno de la variable independiente y otro de la variable dependiente.

Coeficiente de Determinación  ¿Qué tan bien se ajusta a los datos la ecuación de regresión estimada? Coeficiente de determinación: A la diferencia que existe. se le llama residual i que representa el error que existe al usar para estimar 𝑦ො𝑖 . entre el valor observado de la variable dependiente 𝑦𝑖 . en la observación i. . también conocida como suma de cuadrados debida al error. La suma de los cuadrados de estos residuales o errores es la cantidad que se minimiza empleando el método de los mínimos cuadrados. Esta cantidad. y el valor estimado de la variable dependiente. se denota por SCE.

Calcular .

Para el Coeficiente de Determinación .

. Determinación y Correlación El coeficiente de Correlación permite medir la intensidad de relación lineal entre dos variables.

Vendedoras 15 12 13 18 16 Ingresos 19 8 10 26 22  Complete el siguiente cuadro y calcule el coeficiente de CORRELACIÓN existente entre las variables. Ejercicios  Calcule el coeficiente de CORRELACIÓN existente entre las variables. x y xy x2 y y-y (y-y)2 y-ymed (y-ymed)2 32 13 36 15 28 14 27 15 31 9 32 16 34 19 .