Este documento trata sobre regresión lineal. Explica los conceptos clave como la ecuación de la recta de regresión, el criterio de mínimos cuadrados, la representación gráfica, los coeficientes de regresión y el coeficiente de determinación. También introduce brevemente la regresión múltiple y cómo se puede predecir una variable a partir de múltiples variables predictoras en lugar de una sola.
Este documento trata sobre regresión lineal. Explica conceptos clave como la ecuación de la recta de regresión, el criterio de mínimos cuadrados, el cálculo de los coeficientes de regresión y la interpretación del coeficiente de determinación. También introduce conceptos básicos de regresión múltiple cuando hay más de una variable predictora.
Este documento explica los conceptos básicos de la regresión lineal simple y múltiple. La regresión lineal es una técnica estadística que se usa para modelar la relación entre una variable dependiente y una o más variables independientes. Se utiliza para predecir valores de la variable dependiente y cuantificar el efecto de las variables independientes. El documento describe cómo construir los modelos de regresión lineal y múltiple, incluidas las fórmulas y suposiciones involucradas.
1) El documento introduce el modelo de regresión lineal simple, que estudia la dependencia entre una variable dependiente (Y) y una variable independiente (X) cuando dicha dependencia es lineal.
2) Explica que los parámetros del modelo (ordenada al origen β0 y pendiente β1) se estiman mediante el método de mínimos cuadrados para encontrar la línea de regresión que mejor se ajusta a los datos observados.
3) Detalla las hipótesis del modelo de regresión lineal simple y cómo se estiman los parámetros β0 y β1
Este documento introduce conceptos básicos sobre variables aleatorias y funciones de distribución. Explica que una variable aleatoria asigna valores numéricos a los resultados de un experimento aleatorio. Distingue entre variables aleatorias discretas y continuas, y describe cómo se definen sus distribuciones de probabilidad y funciones de distribución. También define parámetros comunes como la esperanza matemática y la varianza para caracterizar las variables aleatorias.
El documento describe los conceptos básicos del análisis de regresión y correlación. El análisis de regresión determina la mejor relación funcional entre variables, mientras que el análisis de correlación mide el grado de asociación entre variables. La regresión lineal simple estima los parámetros de una ecuación de la forma Y = β0 + β1X + ε. El coeficiente de correlación r y el coeficiente de determinación R2 miden la intensidad de la asociación lineal entre variables.
El documento describe técnicas de análisis de correlación y regresión para medir la relación entre el número de llamadas de ventas y el número de copiadoras vendidas. Se trazan los datos en un diagrama de dispersión que muestra una relación positiva fuerte. El coeficiente de correlación de 0.759 indica que el 57.6% de la variación en copiadoras vendidas se explica por la variación en llamadas. La ecuación de regresión predice que 20 llamadas resultarían en la venta de 42.63 copiadoras.
Este documento trata sobre regresión lineal. Explica conceptos clave como la ecuación de la recta de regresión, el criterio de mínimos cuadrados, el cálculo de los coeficientes de regresión y la interpretación del coeficiente de determinación. También introduce conceptos básicos de regresión múltiple cuando hay más de una variable predictora.
Este documento explica los conceptos básicos de la regresión lineal simple y múltiple. La regresión lineal es una técnica estadística que se usa para modelar la relación entre una variable dependiente y una o más variables independientes. Se utiliza para predecir valores de la variable dependiente y cuantificar el efecto de las variables independientes. El documento describe cómo construir los modelos de regresión lineal y múltiple, incluidas las fórmulas y suposiciones involucradas.
1) El documento introduce el modelo de regresión lineal simple, que estudia la dependencia entre una variable dependiente (Y) y una variable independiente (X) cuando dicha dependencia es lineal.
2) Explica que los parámetros del modelo (ordenada al origen β0 y pendiente β1) se estiman mediante el método de mínimos cuadrados para encontrar la línea de regresión que mejor se ajusta a los datos observados.
3) Detalla las hipótesis del modelo de regresión lineal simple y cómo se estiman los parámetros β0 y β1
Este documento introduce conceptos básicos sobre variables aleatorias y funciones de distribución. Explica que una variable aleatoria asigna valores numéricos a los resultados de un experimento aleatorio. Distingue entre variables aleatorias discretas y continuas, y describe cómo se definen sus distribuciones de probabilidad y funciones de distribución. También define parámetros comunes como la esperanza matemática y la varianza para caracterizar las variables aleatorias.
El documento describe los conceptos básicos del análisis de regresión y correlación. El análisis de regresión determina la mejor relación funcional entre variables, mientras que el análisis de correlación mide el grado de asociación entre variables. La regresión lineal simple estima los parámetros de una ecuación de la forma Y = β0 + β1X + ε. El coeficiente de correlación r y el coeficiente de determinación R2 miden la intensidad de la asociación lineal entre variables.
El documento describe técnicas de análisis de correlación y regresión para medir la relación entre el número de llamadas de ventas y el número de copiadoras vendidas. Se trazan los datos en un diagrama de dispersión que muestra una relación positiva fuerte. El coeficiente de correlación de 0.759 indica que el 57.6% de la variación en copiadoras vendidas se explica por la variación en llamadas. La ecuación de regresión predice que 20 llamadas resultarían en la venta de 42.63 copiadoras.
El documento describe métodos de análisis de regresión y correlación lineal simple, incluyendo el coeficiente de correlación de Pearson, el coeficiente de correlación de Spearman, y el análisis de regresión lineal simple usando el método de mínimos cuadrados ordinarios. También discute pruebas de hipótesis, evaluación de supuestos, y abusos comunes de la regresión lineal simple.
Este documento presenta un curso básico de econometría. Cubre temas como regresión lineal simple y múltiple, índices numéricos y series temporales. Explica el modelo de regresión lineal y el método de mínimos cuadrados ordinarios para estimar los parámetros. También describe cómo evaluar la bondad del ajuste del modelo a través del coeficiente de determinación y cómo realizar inferencia estadística sobre los estimadores mediante intervalos de confianza y pruebas de hipótesis.
Este documento describe los modelos de probabilidad y cuatro enfoques comunes: el modelo lineal de probabilidad, el modelo Logit, el modelo Probit y el modelo Tobit. Explica que en los modelos de probabilidad la variable dependiente es binaria y representa la ocurrencia o no de un evento. También discute las limitaciones del modelo lineal de probabilidad, como la no normalidad de los errores y la heterocedasticidad. Finalmente, introduce los modelos Logit y Probit como alternativas para abordar estas limitaciones.
1. La estadística tiene por objeto el desarrollo de técnicas para analizar datos empíricos recogidos mediante experimentos o encuestas.
2. Los datos pueden ser cualitativos o cuantitativos. Los cuantitativos se dividen en discretos o continuos.
3. La correlación mide la relación entre dos variables estadísticas y puede ser positiva, negativa o nula. Cuanto más cercana a 1 o -1 es más fuerte la correlación.
El documento presenta recomendaciones para analizar correlaciones entre variables. Sugiere verificar visualmente si existe correlación antes de calcular coeficientes. Advierta si pocos puntos causan la correlación o si puede deberse a efectos de selección. Si no hay correlación, calcule la significancia estadística. Finalmente, compruebe si existe una relación causal entre las variables o si depende de una tercera variable.
El propósito del análisis de regresión es estudiar la dependencia de una variable (variable dependiente) respecto a una o más variables (variables independientes) y cuantificar la relación entre ellas. En un análisis de regresión, la variable dependiente es aquella cuyos valores cambian en función de los valores de las variables independientes, mientras que las variables independientes son aquellas que producen cambios en la variable dependiente. El análisis de regresión utiliza el método de mínimos cuadrados para ajustar una línea a los datos y predecir valores de
Este documento introduce el concepto de variable aleatoria. Define una variable aleatoria como una función que asigna valores numéricos a los sucesos elementales de un espacio de probabilidad de tal forma que para cada valor real x, el suceso {ω: X(ω) ≤ x} pertenece a la σ-álgebra. Explica que la función de distribución de una variable aleatoria X es la probabilidad de que X sea menor o igual que x. Proporciona ejemplos de variables aleatorias como el número de caras en el lanzamiento de una moneda o la suma de los puntos en
Normalidad: Test gráficos, Test Jarque-Bera, Test Shapiro Wilk.
Multicolinialidad: Factor inflador de varianza,
Heterocedasticidad: Test Breusch-Pagan, Test de White, Míınimos Cuadrados Generalizados, Errores robustos
Este documento presenta un resumen del modelo de regresión múltiple en 3 oraciones:
1) El modelo de regresión múltiple generaliza el modelo de regresión simple al permitir que la variable dependiente dependa de múltiples variables independientes de forma simultánea.
2) El modelo estima los coeficientes de cada variable independiente que representan sus efectos parciales sobre la variable dependiente, manteniendo constantes el efecto de las demás variables.
3) El modelo asume una relación lineal entre las variables y que el error es independiente de las variables independientes
El documento presenta los conceptos básicos de las variables aleatorias y los modelos probabilísticos. Explica las funciones de probabilidad, densidad y distribución para variables discretas y continuas. Describe las distribuciones de Bernoulli, binomial, normal y Poisson, así como sus propiedades y usos. Finalmente, introduce las distribuciones asociadas a la normal como la chi cuadrada, t de Student y F de Snedecor.
Este documento describe medidas de dispersión como la varianza y desviación estándar. Explica las fórmulas para calcular la varianza y desviación estándar tanto para datos no agrupados como agrupados, incluyendo la suma de cuadrados como parte del cálculo de la varianza.
MODELO MATEMÁTICO - DEFLEXIÓN DE UNA VIGA UNIFORME (Expansión de Funciones Pr...Diego Trucios
Trabajo de Investigación de la Universidad Nacional de Ingeniería, basado en Modelos Matemáticos en el tema de Funciones y Valores Propios, aplicado al tema de la construcción como Deflexión de una Viga Uniforme
Este documento contiene ejercicios y exámenes resueltos de econometría y econometría empresarial. Incluye ejercicios de estimación de parámetros, contrastes de hipótesis, descomposición de varianza, y cálculo de elasticidades. Los ejercicios están organizados en cuatro secciones: ejercicios resueltos de econometría, exámenes de econometría, exámenes de econometría empresarial, y exámenes de principios de econometría.
Tema 6. variables aleatorias y distribuciones de probabilidadAna Lopez
Este documento presenta conceptos básicos sobre variables aleatorias y distribuciones de probabilidad. Introduce las nociones de variables aleatorias discretas y continuas, y explica las funciones de densidad de probabilidad y distribución acumulativa para variables discretas. Incluye ejemplos como el número de caras al lanzar tres monedas para ilustrar estas ideas.
Este documento presenta información biográfica y profesional sobre Angel Francisco Arvelo Luján, un profesor universitario venezolano especializado en probabilidad y estadística con más de 40 años de experiencia. Detalla sus estudios, cargos ocupados y áreas de enseñanza en varias universidades de Venezuela. También incluye sus datos personales de contacto y una invitación a visitar su página web para más información.
Este documento define las nociones básicas de esperanza y varianza para variables aleatorias discretas y continuas. La esperanza es el valor promedio esperado de una variable, mientras que la varianza mide la dispersión de sus valores alrededor de la esperanza. El documento explica cómo calcular la esperanza y varianza en cada caso, así como algunas propiedades importantes como la aditividad y que un factor constante puede sacarse del símbolo de la esperanza o varianza.
Este documento describe las distribuciones de probabilidad bidimensionales o conjuntas. Define las funciones de probabilidad conjunta, marginal y condicional para variables aleatorias discretas y continuas. También explica cómo calcular la independencia entre variables aleatorias a partir de estas funciones y cómo transformar variables aleatorias bidimensionales mediante transformaciones biunívocas.
Modelos de respuesta binaria. Modelo lineal de probabilidad. Modelos Logit y Probit. Formas de interpretación. Ratios de probabilidades. Efectos marginales. Bondad de ajuste
Bondad de ajuste. tabla de clasificación. Pseudo r-cuadrado. Aplicaciones. Perfiles de probabilidad.
Este documento presenta los conceptos fundamentales de las funciones lineales y los sistemas de ecuaciones lineales. En particular, define la función lineal, la pendiente, la ordenada al origen y cómo usar estos conceptos para graficar una recta y escribir su ecuación. También explica los conceptos de rectas paralelas, perpendiculares y cómo resolver sistemas de ecuaciones lineales utilizando diferentes métodos como el gráfico, igualación, sustitución y determinantes.
Aquí se brinda un tratamiento más detallado a los modelos de heterocedasticidad. Test Breusch-Pagan. Test de White. Mínimos cuadrados ponderados (MCP). Mínimos cuadrados generalizados (MCG). Mínimos cuadrados generalizados factibles (MCGF). Estimación consistente de White.
Este documento describe el modelo de regresión lineal simple, que es una técnica estadística utilizada para estudiar la relación entre dos variables y predecir sus valores. Explica las ecuaciones y supuestos del modelo, como el intercepto, la pendiente, la varianza del error y la independencia de los errores. También cubre cómo estimar los parámetros de la regresión usando el método de mínimos cuadrados ordinarios y cómo interpretar los coeficientes de la regresión.
El documento describe métodos de análisis de regresión y correlación lineal simple, incluyendo el coeficiente de correlación de Pearson, el coeficiente de correlación de Spearman, y el análisis de regresión lineal simple usando el método de mínimos cuadrados ordinarios. También discute pruebas de hipótesis, evaluación de supuestos, y abusos comunes de la regresión lineal simple.
Este documento presenta un curso básico de econometría. Cubre temas como regresión lineal simple y múltiple, índices numéricos y series temporales. Explica el modelo de regresión lineal y el método de mínimos cuadrados ordinarios para estimar los parámetros. También describe cómo evaluar la bondad del ajuste del modelo a través del coeficiente de determinación y cómo realizar inferencia estadística sobre los estimadores mediante intervalos de confianza y pruebas de hipótesis.
Este documento describe los modelos de probabilidad y cuatro enfoques comunes: el modelo lineal de probabilidad, el modelo Logit, el modelo Probit y el modelo Tobit. Explica que en los modelos de probabilidad la variable dependiente es binaria y representa la ocurrencia o no de un evento. También discute las limitaciones del modelo lineal de probabilidad, como la no normalidad de los errores y la heterocedasticidad. Finalmente, introduce los modelos Logit y Probit como alternativas para abordar estas limitaciones.
1. La estadística tiene por objeto el desarrollo de técnicas para analizar datos empíricos recogidos mediante experimentos o encuestas.
2. Los datos pueden ser cualitativos o cuantitativos. Los cuantitativos se dividen en discretos o continuos.
3. La correlación mide la relación entre dos variables estadísticas y puede ser positiva, negativa o nula. Cuanto más cercana a 1 o -1 es más fuerte la correlación.
El documento presenta recomendaciones para analizar correlaciones entre variables. Sugiere verificar visualmente si existe correlación antes de calcular coeficientes. Advierta si pocos puntos causan la correlación o si puede deberse a efectos de selección. Si no hay correlación, calcule la significancia estadística. Finalmente, compruebe si existe una relación causal entre las variables o si depende de una tercera variable.
El propósito del análisis de regresión es estudiar la dependencia de una variable (variable dependiente) respecto a una o más variables (variables independientes) y cuantificar la relación entre ellas. En un análisis de regresión, la variable dependiente es aquella cuyos valores cambian en función de los valores de las variables independientes, mientras que las variables independientes son aquellas que producen cambios en la variable dependiente. El análisis de regresión utiliza el método de mínimos cuadrados para ajustar una línea a los datos y predecir valores de
Este documento introduce el concepto de variable aleatoria. Define una variable aleatoria como una función que asigna valores numéricos a los sucesos elementales de un espacio de probabilidad de tal forma que para cada valor real x, el suceso {ω: X(ω) ≤ x} pertenece a la σ-álgebra. Explica que la función de distribución de una variable aleatoria X es la probabilidad de que X sea menor o igual que x. Proporciona ejemplos de variables aleatorias como el número de caras en el lanzamiento de una moneda o la suma de los puntos en
Normalidad: Test gráficos, Test Jarque-Bera, Test Shapiro Wilk.
Multicolinialidad: Factor inflador de varianza,
Heterocedasticidad: Test Breusch-Pagan, Test de White, Míınimos Cuadrados Generalizados, Errores robustos
Este documento presenta un resumen del modelo de regresión múltiple en 3 oraciones:
1) El modelo de regresión múltiple generaliza el modelo de regresión simple al permitir que la variable dependiente dependa de múltiples variables independientes de forma simultánea.
2) El modelo estima los coeficientes de cada variable independiente que representan sus efectos parciales sobre la variable dependiente, manteniendo constantes el efecto de las demás variables.
3) El modelo asume una relación lineal entre las variables y que el error es independiente de las variables independientes
El documento presenta los conceptos básicos de las variables aleatorias y los modelos probabilísticos. Explica las funciones de probabilidad, densidad y distribución para variables discretas y continuas. Describe las distribuciones de Bernoulli, binomial, normal y Poisson, así como sus propiedades y usos. Finalmente, introduce las distribuciones asociadas a la normal como la chi cuadrada, t de Student y F de Snedecor.
Este documento describe medidas de dispersión como la varianza y desviación estándar. Explica las fórmulas para calcular la varianza y desviación estándar tanto para datos no agrupados como agrupados, incluyendo la suma de cuadrados como parte del cálculo de la varianza.
MODELO MATEMÁTICO - DEFLEXIÓN DE UNA VIGA UNIFORME (Expansión de Funciones Pr...Diego Trucios
Trabajo de Investigación de la Universidad Nacional de Ingeniería, basado en Modelos Matemáticos en el tema de Funciones y Valores Propios, aplicado al tema de la construcción como Deflexión de una Viga Uniforme
Este documento contiene ejercicios y exámenes resueltos de econometría y econometría empresarial. Incluye ejercicios de estimación de parámetros, contrastes de hipótesis, descomposición de varianza, y cálculo de elasticidades. Los ejercicios están organizados en cuatro secciones: ejercicios resueltos de econometría, exámenes de econometría, exámenes de econometría empresarial, y exámenes de principios de econometría.
Tema 6. variables aleatorias y distribuciones de probabilidadAna Lopez
Este documento presenta conceptos básicos sobre variables aleatorias y distribuciones de probabilidad. Introduce las nociones de variables aleatorias discretas y continuas, y explica las funciones de densidad de probabilidad y distribución acumulativa para variables discretas. Incluye ejemplos como el número de caras al lanzar tres monedas para ilustrar estas ideas.
Este documento presenta información biográfica y profesional sobre Angel Francisco Arvelo Luján, un profesor universitario venezolano especializado en probabilidad y estadística con más de 40 años de experiencia. Detalla sus estudios, cargos ocupados y áreas de enseñanza en varias universidades de Venezuela. También incluye sus datos personales de contacto y una invitación a visitar su página web para más información.
Este documento define las nociones básicas de esperanza y varianza para variables aleatorias discretas y continuas. La esperanza es el valor promedio esperado de una variable, mientras que la varianza mide la dispersión de sus valores alrededor de la esperanza. El documento explica cómo calcular la esperanza y varianza en cada caso, así como algunas propiedades importantes como la aditividad y que un factor constante puede sacarse del símbolo de la esperanza o varianza.
Este documento describe las distribuciones de probabilidad bidimensionales o conjuntas. Define las funciones de probabilidad conjunta, marginal y condicional para variables aleatorias discretas y continuas. También explica cómo calcular la independencia entre variables aleatorias a partir de estas funciones y cómo transformar variables aleatorias bidimensionales mediante transformaciones biunívocas.
Modelos de respuesta binaria. Modelo lineal de probabilidad. Modelos Logit y Probit. Formas de interpretación. Ratios de probabilidades. Efectos marginales. Bondad de ajuste
Bondad de ajuste. tabla de clasificación. Pseudo r-cuadrado. Aplicaciones. Perfiles de probabilidad.
Este documento presenta los conceptos fundamentales de las funciones lineales y los sistemas de ecuaciones lineales. En particular, define la función lineal, la pendiente, la ordenada al origen y cómo usar estos conceptos para graficar una recta y escribir su ecuación. También explica los conceptos de rectas paralelas, perpendiculares y cómo resolver sistemas de ecuaciones lineales utilizando diferentes métodos como el gráfico, igualación, sustitución y determinantes.
Aquí se brinda un tratamiento más detallado a los modelos de heterocedasticidad. Test Breusch-Pagan. Test de White. Mínimos cuadrados ponderados (MCP). Mínimos cuadrados generalizados (MCG). Mínimos cuadrados generalizados factibles (MCGF). Estimación consistente de White.
Este documento describe el modelo de regresión lineal simple, que es una técnica estadística utilizada para estudiar la relación entre dos variables y predecir sus valores. Explica las ecuaciones y supuestos del modelo, como el intercepto, la pendiente, la varianza del error y la independencia de los errores. También cubre cómo estimar los parámetros de la regresión usando el método de mínimos cuadrados ordinarios y cómo interpretar los coeficientes de la regresión.
Regresión lineal,ajuste de curva,tipos de regresión linealmiguelescobarrivero
El documento describe la técnica de regresión lineal para identificar relaciones funcionales entre variables. Explica que la regresión lineal permite pronosticar valores promedios de una variable dependiente (Y) en términos de otra variable independiente (X). También cubre los tipos de modelos de regresión lineal simple y múltiple.
El documento presenta los conceptos de correlación y regresión lineal. Explica que la correlación mide la relación entre dos variables mediante el coeficiente de correlación de Pearson (r) y que la regresión lineal busca predecir los valores de una variable en función de otra(s). Además, incluye un caso práctico donde se analiza la relación entre la estatura de los padres y sus hijos mediante un diagrama de dispersión, el cálculo de r y los parámetros de la recta de regresión.
El documento analiza la relación entre variables a través de regresión y correlación. Explica que la regresión predice una variable en función de otras y que la correlación mide la intensidad de la relación. Define relación funcional como aquella expresada por una función matemática, a diferencia de la estadística donde los puntos no caen exactamente sobre la curva.
Este documento describe el modelo de regresión lineal. Explica que el modelo asume que la relación entre las variables independientes (X) y dependientes (Y) es lineal. Describe cómo se estiman los parámetros del modelo usando el método de mínimos cuadrados ordinarios y cómo se evalúa el ajuste del modelo. También cubre intervalos de confianza, pruebas de hipótesis y diagnósticos gráficos para verificar los supuestos del modelo.
Este documento introduce el concepto de regresión lineal simple. Explica que la regresión lineal estudia la dependencia entre una variable dependiente (Y) y una o más variables independientes (X). Presenta un modelo de regresión lineal donde Y se expresa como una función lineal de X más un error. También describe cómo estimar los parámetros del modelo a través del método de mínimos cuadrados y cómo realizar pruebas de significación sobre los coeficientes.
Este documento presenta conceptos básicos de probabilidad y estadística. Explica variables aleatorias discretas y continuas, distribuciones de probabilidad, valor esperado, varianza, covarianza, correlación, muestreo, estimadores, sesgo y eficiencia de estimadores. También cubre propiedades de estimadores muestrales como consistencia y el teorema del límite central.
Este documento presenta conceptos básicos de probabilidad y estadística. Explica variables aleatorias discretas y continuas, distribuciones de probabilidad, valor esperado, varianza, covarianza, correlación, muestreo, estimadores, sesgo y eficiencia de estimadores. Finalmente, define la consistencia de un estimador como tener un límite probabilístico cuyo pico se localice en el parámetro poblacional verdadero cuando el tamaño de la muestra tiende a infinito.
Este documento resume los conceptos clave del análisis de regresión lineal, incluyendo: 1) la estimación de parámetros por mínimos cuadrados para determinar la ecuación de regresión, 2) el cálculo del error estándar de estimación, y 3) el uso de intervalos de predicción y confianza. Contiene dos ejemplos numéricos que ilustran estos conceptos.
Este documento describe los conceptos de correlación lineal, análisis de regresión y recta de mínimos cuadrados. Explica cómo calcular el coeficiente de correlación de Pearson r para cuantificar la relación lineal entre dos variables. También explica cómo estimar la ecuación de la recta de regresión que mejor se ajusta a los datos observados minimizando la suma de los cuadrados de los residuos. Además, muestra un ejemplo para ilustrar estos conceptos analizando la relación entre los gastos de publicidad y las ventas de una empresa.
Este documento describe los conceptos de correlación lineal, análisis de regresión y recta de mínimos cuadrados. Explica cómo calcular el coeficiente de correlación de Pearson r para cuantificar la relación lineal entre dos variables. También explica cómo estimar la ecuación de la recta de regresión que mejor se ajusta a los datos mediante el método de mínimos cuadrados ordinarios y cómo interpretar los parámetros de la recta. Finalmente, incluye un ejemplo para ilustrar estos conceptos.
Este documento describe métodos para estimar valores intermedios de una variable Z en puntos no muestreados a partir de datos de puntos de muestreo. Explica métodos globales de interpolación como regresión lineal y clasificación, así como métodos locales. Además, introduce conceptos como estimación puntual, propiedades de los estimadores, y error cuadrático medio.
Este documento introduce el concepto de regresión lineal simple, que estudia la asociación entre dos variables cuantitativas mediante el cálculo de una recta de ajuste. Explica que la regresión lineal determina la ecuación de una recta que mejor se ajusta a los valores de muestra para predecir una variable (dependiente) en función de otra (independiente). También define conceptos clave como covarianza, coeficiente de correlación, pendiente, punto de corte y error residual.
La regresión lineal múltiple permite modelar la relación entre una variable dependiente y dos o más variables independientes. Se estiman los parámetros del modelo usando el método de mínimos cuadrados. Se realizan pruebas de significancia global del modelo y de los coeficientes individuales para determinar su influencia sobre la variable dependiente. También se construyen intervalos de confianza para los parámetros y predicciones futuras.
Este documento presenta un análisis estadístico de los datos de una encuesta sobre el número de personas y habitaciones en los hogares de un municipio español. Se calcula el coeficiente de correlación de Pearson y se encuentra una correlación de 0.63 entre las variables. Sin embargo, al evaluar la significancia estadística se acepta la hipótesis nula de que las variables no están relacionadas, dado que el valor calculado es menor que el crítico de la tabla. El análisis en SPSS produce resultados consistentes.
Este documento presenta información sobre regresión lineal simple. Explica conceptos como variable dependiente, variable independiente, diagrama de dispersión, coeficientes de regresión, error y método de mínimos cuadrados. Incluye un ejemplo para calcular la recta de regresión y predecir valores usando datos reales sobre edad y presión sanguínea.
Este documento presenta conceptos estadísticos como el coeficiente de correlación de Pearson (r), el coeficiente de determinación (r2), la regresión lineal simple y su uso en la calculadora. Explica que r mide la relación lineal entre variables cuantitativas y que r2 indica el porcentaje de variabilidad de una variable explicada por la otra. También describe cómo la regresión lineal permite predecir valores de una variable en base a otra.
Este documento presenta conceptos clave sobre análisis de correlación y regresión lineal. Explica cómo calcular e interpretar el coeficiente de correlación, el coeficiente de determinación, la ecuación de regresión, el error estándar de la estimación, e intervalos de confianza y predicción. También describe suposiciones fundamentales de regresión lineal y cómo realizar pruebas de hipótesis sobre correlación. Incluye ejemplos numéricos para ilustrar los conceptos.
Este documento proporciona instrucciones sobre cómo interpretar y crear gráficos, incluida la selección de escalas adecuadas, etiquetado de ejes, y tipos de relaciones como lineales, cuadráticas e inversas. También explica cómo ajustar curvas de datos, linealizar relaciones no lineales para determinar ecuaciones empíricas, y el uso de papel log-log para graficar datos.
Durante el desarrollo embrionario, las células se multiplican y diferencian para formar tejidos y órganos especializados, bajo la regulación de señales internas y externas.
José Luis Jiménez Rodríguez
Junio 2024.
“La pedagogía es la metodología de la educación. Constituye una problemática de medios y fines, y en esa problemática estudia las situaciones educativas, las selecciona y luego organiza y asegura su explotación situacional”. Louis Not. 1993.
1. Tema 6: Regresión lineal.
1. Introducción.
2. La ecuación de la recta.
3. El criterio de mínimos cuadrados.
4. Representación gráfica.
5. Coeficientes de regresión estandarizados.
6. El coeficiente de determinación.
7. Introducción a la regresión múltiple.
2. Concepto
El establecimiento de una correlación entre dos
variables es importante, pero esto se considera un
primer paso para predecir una variable a partir de la
otra. (U otras, en el caso de la regresión múltiple.)
Claro está, si sabemos que la variable X está muy
relacionada con Y, ello quiere decir que podemos
predecir Y a partir de X. Estamos ya en el terreno de la
predicción. (Evidentemente si, X no está relacionada con
Y, X no sirve como predictor de Y.)
Nota: Emplearemos los términos “regresión” y “predicción” como casi sinónimos. (La
razón del uso del término “regresión” es antigua, y se ha mantenido como tal.)
3. Concepto (2)
rendimiento
inteligencia
El tema básico en regresión (con 2 variables) es
ajustar los puntos del diagrama de dispersión de
las variables X e Y. Para simplificar, nos centraremos
especialmente (por simplicidad) en el caso de que
la relación entre X e Y sea lineal.
Claro está, el tema ahora es cómo conseguir
cuál es la “mejor” línea que parece unir los
puntos. Necesitamos para ello un criterio. Si
bien hay otros criterios, el más empleado
comúnmente, y el que veremos aquí, es el
criterio de mínimos cuadrados.
Criterio de mínimos cuadrados: Es aquel que minimiza las distancias cuadráticas de los
puntos con la línea.
4. Repaso de la ecuación de una recta
rendimiento
inteligencia
Y=A+BX
A es la ordenada en el origen (es donde la recta
corta el eje Y)
B es la pendiente (observad que en el caso de
las relaciones positivas, B será positivo; en el
caso de las relación negativas, B será negativo;
si no hay relación, B será aproximadamente 0)
Si queremos predecir Y a partir de X, necesitamos calcular (en el caso de
relación lineal) la recta de regresión de Y sobre (a partir de) X.
5. Cálculo de la ecuación de regresión lineal (de Y sobre X)
Rendimiento(Y)
Inteligencia (X)
El criterio de mínimos cuadrados nos
proporciona un valor de A y uno de B, tal queY’
2
'
1
n
i i
i
Y Y
sea mínimo
6. Cálculo de la ecuación de regresión lineal (de Y sobre X)
CI (X) Rendim (Y)
120 10
100 9
90 4
110 6
INTELIG
1301201101009080
RENDIM
11
10
9
8
7
6
5
4
3
7. Cálculo de la ecuación de regresión lineal (de Y sobre X)
La recta por mínimos
cuadrados es:
Y’=-8’5+0’15X
Observa....
-Cada unidad de CI hace aumentar
0’15 la nota.
-Aunque en este caso, lo siguiente no
tiene sentido, una persona con CI de
0, sacaría un -8.5
2
'
1
n
i i
i
Y Y
es mínimo
Esa expresión vale 11.5 en
nuestro caso
8. Cálculo de la ecuación de regresión lineal (de Y sobre X)
Las fórmulas.... En puntuaciones directas
Nota: Tanto A como B se pueden obtener fácilmente en cualquier calculadora con
opción “LR” (Linear Regression)
2 2
XY nXY
B
X nX
Pendiente
Ordenada origen
A Y BX
9. Cálculo de la ecuación de regresión lineal (de Y sobre X)
X Y XY X2
suj1 120 10 1200 14400
suj2 100 9 900 10000
suj3 90 4 360 8100
suj4 110 6 660 12100
4 SUMA SUMA
3120 44600
PROMEDIO PROMEDIO
105 7.25
N
4
2
3120 4 105 7'25
0'15
44600 4 105
B
7'25 0'15 105 8'5A
Y’=-8’5+0’15X
Luego
10. Cálculo de la ecuación de regresión lineal (de Y sobre X)
Las fórmulas en puntuaciones diferenciales
Pendiente
Ordenada origen 0a Fijaros que la media de X y la media de Y serán
0 en puntuación típicas
2
xy
b
x
IMPORTANTE: B=b
Es decir, la pendiente en puntuaciones
diferenciales es la MISMA que en
puntuaciones directas
Por tanto, la recta de regresión en puntuaciones diferenciales es en nuestro caso:
y’=0’15x
11. Cálculo de la ecuación de regresión lineal (de Y sobre X)
Las fórmulas en puntuaciones típicas
Pendiente
Ordenada origen
Al igual que en las puntuaciones diferenciales
Por tanto, la recta de regresión en puntuaciones típicas es en nuestro caso: zy’
=0’703zx
0a
2
x y x y
x
z z z z
b
z n
IMPORTANTE: Como veremos, la
pendiente en puntuaciones
típicas COINCIDE con el índice
de correlación de Pearson
12. Cálculo de la ecuación de regresión lineal (de Y sobre X)
OUTPUT DEL ORDENADOR
Resumen del modelob
.703a .495 .242 2.398
Modelo
1
R R cuadrado
R cuadrado
corregida
Error típ. de la
estimación
Variables predictoras: (Constante), INTELIGa.
Variable dependiente: RENDIMb.
Coeficientesa
-8.500 11.324 -.751 .531
.150 .107 .703 1.399 .297
(Constante)
INTELIG
Modelo
1
B Error típ.
Coeficientes no
estandarizados
Beta
Coeficientes
estandarizad
os
t Sig.
Variable dependiente: RENDIMa.
Ord. y pendiente
(punt.directas)
Ord. y pendiente
(punt.típicas)
Observad que el índice de corr.Pearson coincide con la pendiente expresada en
puntuaciones típicas.
13. Cálculo de la ecuación de regresión lineal (de Y sobre X)
2
xy
B b
x
Sabemos que
Y por el tema anterior
2
2
x
x
s
n
Y por el tema de
variabilidad
xy
xy
s
n
xy
xy
x y
s
r
s s
y
22 2 2
xy xy x y y
xy
x x x
xy
s r s s sxy nB b r
xx s s s
n
Se deduce que
14. Cálculo de la ecuación de regresión lineal (de Y sobre X)
En definitiva,
y
xy
x
s
B b r
s
1
1
y
xy xy xy
x
s
b r r r
s
y
y
xy
x
s
A Y r X
s
Evidentemente, la ordenada en el origen de la recta de regresión de Y sobre
X será 0 para puntuaciones diferenciales y típicas (dado que las medias para
las respectivas puntuaciones tanto en X como en Y serán 0 en tales casos).
15. Los errores de predicción en la recta de regresión de Y sobre X
iYPuntuaciones observadas
Puntuaciones predichas
iY
Error de predicción
con la recta de
regresión de Y sobre X
2
2
( )
y
Y Y
s
n
La cuestión ahora en cuánto se reduce la varianza al emplear la recta de
regresión de Y sobre X (es decir, teniendo X como predictor) en comparación
con el caso en que no tuviéramos la recta de regresión
i iY Y
16. Los errores de predicción en la recta de regresión de Y sobre X
2
2
( )
y
Y Y
s
n
Si no tuviéramos el predictor X, ¿qué puntuación prediríamos para las
puntuaciones de Y?
En tal caso, dado el criterio de mínimos cuadrados, si tenemos datos en Y y
carecemos de datos en X, nuestra mejor estimación de Y será su media
Recordemos que la media minimiza el sumatorio de las diferencias
Cuadráticas
Y
2
( )Y Y es mínimo
Si empleamos la media como predictor, la varianza de las predicciones será
17. Los errores de predicción en la recta de regresión de Y sobre X
Pero si tenemos un predictor X, la varianza será
2
2
.
( )i i
y x
Y Y
s
n
Esta es la varianza de Y no explicada por X
Se puede demostrar que
2 2 2
. (1 )y x y xys s r
Que despejando sale
2
.2
2
1 y x
xy
y
s
r
s
18. ¿Cuán buena es la predicción de la recta de regresión? El coeficiente de
determinación como índice de la bondad de ajuste de nuestro modelo (la
recta de regresión)
2
.2
2
1 y x
xy
y
s
r
s
Acabamos de mostrar que
2
xyr Es el llamado coeficiente de determinación y permite conocer cuán
bueno es el ajuste de la recta de regresión (o en general del modelo
lineal). Está acotado entre 0 y 1.
Si todos los puntos del diagrama de dispersión están sobre la recta (con pendiente
diferente de 0), entonces será 0, y el coeficiente de determinación será 1
2
.y xs
Cuanto más se alejen los puntos de la recta de regresión, mayor será el valor de
el valor del coeficiente de determinación será menor y menor.
2
.y xs
19. El coeficiente de determinación y la proporción de varianza
asociada/explicada/común (1)
( )i i i iY Y Y Y
Empecemos con una tautología
Esta expresión indica que la puntuación observada por el sujeto i-ésimo es igual a la
puntuación predicha para dicho sujeto más un error de predicción.
Se puede demostrar que las puntuaciones predichas y los errores de predicción son
independientes, con lo que podemos señalar
2 2 2
' .y y y xs s s
2
ys
2
'ys
2
.y xs
Varianza total de Y
Varianza de las puntuaciones de Y predichas por el predictor X
Varianza de los errores de predicción (varianza no explicada por X)
20. El coeficiente de determinación y la proporción de varianza
asociada/explicada/común (2)
2 2 2
' .y y y xs s s De la transparencia anterior, tenemos
Y sabíamos que
2
.2
2
1 y x
xy
y
s
r
s
2 2 2
. ´2
2 2
y y x y
xy
y y
s s s
r
s s
luego
En definitiva, el coeficiente de determinación mide la proporción de la varianza
de Y que está asociada/explicada por el predictor X
21. Introducción a la regresión lineal múltiple (1)
Hemos visto el caso de un predictor (X) y una variable predicha (Y), y obtenido la recta
de regresión de Y sobre X por el procedimiento de mínimos cuadrados.
Dada la naturaleza del comportamiento humano, en el que cada conducta observada
puede ser influida por diferentes variables, resulta más “ecológico” examinar no ya
cuán bueno es un predictor X para predecir Y, sino más bien tendremos varios
predictores X1, X2, ...., para predecir Y (o si se quiere, varios predictores, X2, X3,...., para
predecir X1). Es el caso de la regresión múltiple.
'Y A BX Hasta ahora teníamos
Ahora tendremos k predictores:
1 2 2 3 3' ... k kX A B X B X B X
1X
“criterio”, variable a
predecir, variable
“dependiente”
2 3, ,...X X
Variables
predictoras
22. Introducción a la regresión lineal múltiple (2)
1 2 2 3 3' ... k kX A B X B X B X
Es importante que os deis cuenta que las ponderaciones B2, B3, ..., son
análogas a las que vimos en el caso de la recta de regresión.
Tales coeficientes representan cuán importante es la respectiva variable predictora
en la ecuación de regresión.
Al igual que ocurría en la recta de regresión (fijaros que el caso de 1 predictor es un
caso particular de la regresión múltiple), A representa el lugar donde el hiperplano de
regresión múltiple corta el eje de la variable predicha.
Por simplicidad, y dado que normalmente todo el proceso se hace mediante
ordenador, no veremos las fórmulas (ver el texto de Botella y otros, en el que
está todo bien explicado)...pero ahora veremos unas puntualizaciones.
1.3
2 12.3
2.3
s
B r
s
Por ejemplo
y
xy
x
s
B r
s
Recta
regresión
23. Introducción a la regresión lineal múltiple (3)
1 2 2 3 3' ... k kX A B X B X B X
En puntuaciones directas, la ecuación de regresión es la que sabemos
En puntuaciones diferenciales, recordad que A valía 0 en la recta de regresión; lo
mismo se aplica en la ecuación de regresión.
1 2 2 3 3' ... k kx b x b x b x
Y aplicando la misma lógica, el valor de los pesos es el mismo que el que
teníamos en puntuaciones directas
2 2b B 3 3b B etcétera
24. Introducción a la regresión lineal múltiple (4)
Datos (N=5)
Rendim Ansied Neurot
9 3 5
3 12 15
6 8 8
2 9 7
7 7 6
Resumen del modelo
.904a .817 .634 1.744
Modelo
1
R R cuadrado
R cuadrado
corregida
Error típ. de la
estimación
Variables predictoras: (Constante), NEURO, ANSIEa.
1.23 0'904R
'
1
1.23
1
2
2
2
x
x
s
R
s
Como en el caso de 1 predictor:
Coeficientesa
11.288 2.221 5.082 .037
-1.139 .510 -1.293 -2.233 .155
.365 .421 .502 .868 .477
(Constante)
ANSIED
NEUROT
Modelo
1
B Error típ.
Coeficientes no
estandarizados
Beta
Coeficientes
estandarizad
os
t Sig.
Variable dependiente: RENDIMa.
25. El modelo lineal general
El modelo lineal general subyace a buena parte de las
pruebas estadísticas que se efectúan en psicología y en
otras ciencias sociales.
Por decir unas pocas
-Análisis de regresión (ya vistos)
-Análisis de Varianza (se verán 2º cuatrimestre)
-Pruebas t (se verán 2º cuatrimestre)
-Análisis de covarianza
-Análisis de conglomerados (cluster analysis)
-Análisis factorial
-Escalamiento multidimensional
-Correlación canónica
-Análisis discriminante
y más....
26. El modelo lineal general (2)
Claramente, los análisis de regresión que hemos visto
son un caso particular del modelo lineal general, en el
caso de 2 variables: una actúa como predictor y una
variable predicha.
0 1 1Y B B X e
Observado = Predicho + Error estimación
'Y A BX
( ')Y A BX Y Y
O si se quiere expresar así
Y A BX e
en términos generales
27. El modelo lineal general (3)
La expresión general es
0 1 1 ... k kY B B X B X e
Y: Variable dependiente
X1, X2, ..., variables independientes (predictoras de Y)
e: error aleatorio
B1, B2, ..., son los pesos que determinan la contribución de cada
variable independiente.
El caso en el modelo lineal general es que en la parte izquierda de la ecuación podemos
tener no sólo una variable dependiente, sino varias.