Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
SESIÓN 26 Estadística Inferencial SUMARIO Regresión Lineal simple LOGRO Al finalizar la clase los alumnos aplican los conceptos de regresión lineal simple , en diferentes contextos de la vida real REGRESIÓN LINEAL Por lo tanto, el análisis de regresión involucra el estudio la relación entre variables Frecuentemente resulta de interés conocer el efecto que una o varias variables pueden causar sobre otra, es decir nos encontramos en la vida real y científica con modelos en los que el comportamiento de una variable, Y, se puede explicar a través de una variable X; Representación 𝑌 = 𝑓(𝑥) +ε La regresión lineal es un modelo estadístico usado para aproximar la relación de una variable dependiente llamada Y, y una o mas variables independientes llamadas Xi y un término aleatorio muchas veces llamado error ε REGRESIÓN LINEAL SIMPLE Se prueban cinco trozos experimentales del material bajo diferentes presiones. Los valores de x ( en Newton ) y las magnitudes de compresión y resultantes (en unidades de cm) Presión (N) Compresión (Cm) X Y 1 1 2 1 3 2 4 2 5 4 X y 0 1 2 3 4 1 2 3 4 Y tiende a aumentar de forma lineal conforme X aumenta Regresión Lineal simple: Ejemplo Demostrativo Gráfica de dispersión REGRESIÓN LINEAL SIMPLE La solución es construir un modelo probabilístico que relacione y con x; uno que contemple la variación aleatoria de los puntos de datos a los lados de una línea recta. Un tipo de modelo probabilístico, el modelo de regresión lineal simple, supone que el valor medio de Y para un valor dado de X se grafica como una línea recta y que los puntos se desvían de esta línea de medias en una cantidad aleatoria (positiva o negativa) igual a , es decir: 0 1y x Valor medio de y para una x dada Error aleatorio Donde 0 y 1 son los coeficientes desconocidos del modelo. Regresión Lineal simple: E() = 0 Condición: REGRESIÓN LINEAL SIMPLE Regresión Lineal simple: Interpretación de coeficientes Supuestos Regresión Lineal: El coeficiente de regresión: es el cambio (aumento o disminución) en promedio en Y cuando X varía en una unidad. Supuesto de Linealidad Existe linealidad si se presenta una relación significativa entre la variable que se quiere predecir y las otras variables. Puede usarse el coeficiente "R cuadrado ajustado", para saber si existe linealidad (mayor o igual a 0.7 suele ser "indicio" de linealidad). El ANOVA es una prueba para saber la linealidad Los residuos tienen media 0. La varianza de los residuos no depende de xi (homocedasticidad) Los residuos son normales. Los residuos son aleatorios. ො𝑦 = መ𝛽0 + መ𝛽1𝑋 https://www.youtube.com/watch?v=QWLK9thmDI8 https://www.youtube.com/watch?v=r8lM3Zl0P54 Si b >0 , esto nos indica que al aumentar el valor de X, también aumenta el valor de Y (promedio). Si b <0 , esto nos indica que al aumentar el valor de X, el valor de Y disminuye (promedio). https://www.youtube.com/watch?v=QWLK9thmDI8 https://www.youtube.com/watch?v=r8lM3Zl0P54 REGRESIÓN LINEAL SIMPLE X y 0 1 2 3 4 1 2 3 4 0 ˆ ordenada al origen 1 ˆ pendiente 0 1 ˆ ˆY x ො𝑦 = መ𝛽0 + መ𝛽1𝑋 Donde: y = variable dependiente X = variable independiente Modelo de regresión lineal simple estimado 𝜷𝟏 = 𝒏σ𝑿𝒀 − σ𝑿σ𝒀 𝒏σ𝑿2 − σ𝑿 2 𝜷𝟎 = σ𝒀 − 𝜷𝟏 σ𝑿 𝒏 Paso1: Paso2: Cálculo de coeficientes práctico Regresión Lineal simple: Para estimar la recta de regresión utilizaremos el método de mínimos cuadrados. Este método consiste en minimizarla suma de los cuadrados de los errores: La Propina que se le otorga a un mozo en un restaurante depende de muchos factores, por ejemplo la cordialidad del personal, Tipo de ambiente, Satisfacción por el servicio, etc. En el siguiente cuadro se tiene la cantidad de propina (s/.) que los clientes de un restaurant dan a los mozos en función al tiempo en que se demora en servir una orden(minutos). Propina(S/) 1 3 3 2 6 1 2 3 4 Tiempo de Atención (minutos) 3 2 2 4 1 4 3 2 2 a) Identifique las variables de Interés y clasifique cada uno de ellos ¿Cómo se relacionan ambas variables? b) Estime el modelo de Regresión lineal estimada c) Pronosticar: ¿Cuánto en Promedio recibirá de propina un mozo que se ha demorado en atender 3.5 minutos? Ejercicio: REGRESIÓN LINEAL SIMPLE Las variables de Interés Variable Independiente: Tiempo de Atención( minutos )(X) Variable dependiente: Propina (s/) (Y) Solución a. La propina que se otorga a un mozo depende del tiempo de atención en servir el orden. Relación inversa REGRESIÓN LINEAL SIMPLE 0 1 2 3 4 5 6 7 0 1 2 3 4 5 P ro p in a Tiempo Gráfica de dispersión REGRESIÓN LINEAL SIMPLE Solución b. Modelo de Regresión Estimada Y (propina) X (tiempo) 1 3 3 2 3 2 2 4 6 1 1 4 2 3 3 2 4 2 ො𝑦 = መ𝛽0 + መ𝛽1𝑥 σ𝑌 = 25 σ𝑋 =23 σ𝑋2 =67 σ𝑌 2 =89 σ𝑋𝑌 =53 𝑋2 9 4 4 16 1 16 9 4 4 𝑌2 1 9 9 4 36 1 4 9 16 𝑋𝑌 3 6 6 8 6 4 6 6 8 Pr𝑜𝑝 ⌢ 𝑖𝑛𝑎 = መ𝛽0 + መ𝛽1𝑇𝑖𝑒𝑚𝑝𝑜 𝜷𝟏 = 𝒏σ𝑿𝒀 − σ𝑿σ𝒀 𝒏σ𝑿2 − σ𝑿 2 𝜷𝟏 = 9 ∗ 53 − 23 ∗ 25 9 ∗ 67 − 232 = −1.32 Paso1 𝜷𝟎 = σ𝒀 − 𝜷𝟏σ𝑿 𝒏 = 𝟐𝟓 − −𝟏, 𝟑𝟐 ∗ 𝟐𝟑 𝟗 𝜷𝟎 = 𝟔. 𝟏𝟓 Pr𝑜𝑝 ⌢ 𝑖𝑛𝑎 = 6.15 − 1.32𝑇𝑖𝑒𝑚𝑝𝑜 Modelo de Regresión Estimada Paso2: REGRESIÓN LINEAL SIMPLE σ𝑌 = 25 σ𝑋 =23 σ𝑋2 =67 σ𝑌2 =89 σ𝑋𝑌 =53 Solución C: Pronóstico de la propina cuando el tiempo de atención es 3.5 minutos Pr𝑜𝑝 ⌢ 𝑖𝑛𝑎 = 6.15 − 1.32 3.5 Pr𝑜𝑝 ⌢ 𝑖𝑛𝑎 = 1.53 soles Pr𝑜𝑝 ⌢ 𝑖𝑛𝑎 = 6.15 − 1.32𝑇𝑖𝑒𝑚𝑝𝑜 ¿Cómo se interpreta 𝜷𝟏? Cuando el tiempo de atención se incrementa en un minuto la propina disminuye en 1.32 soles 0 1 2 3 4 5 6 7 0 1 2 3 4 5 P ro p in a Tiempo Y (propina) X (tiempo) 1 3 3 2 3 2 2 4 6 1 1 4 2 3 3 2 4 2 Resumen y = 6.16 - 1.3243x Pr𝑜𝑝 ⌢ 𝑖𝑛𝑎 = 6.16 − 1.324𝑇𝑖𝑒𝑚𝑝𝑜 R² = 0.7374 REGRESIÓN LINEAL SIMPLE Gráfica de dispersión Y (propina) X (tiempo) 1 3 3 2 3 2 2 4 6 1 1 4 2 3 3 2 4 2 Resumen REGRESIÓN LINEAL SIMPLE https://www.youtube.com/watch?v=0qkh8NJroos https://www.youtube.com/watch?v=4_WO31Dapv0 Comprueba tus resultados usando la calculadora! Recuerda interpretar el coeficiente de regresión, https://www.youtube.com/watch?v=0qkh8NJroos https://www.youtube.com/watch?v=4_WO31Dapv0 EJERCICIO ADICIONAL Fuerza (Newton) 1 0 2 3 4 2 3 4 Compresión (cm) 2 1 2 2 3 2 1 1 La compresión de un resorte depende de la fuerza con que se aplique a aquel según los valores del siguiente cuadro. a) Identifique las variables de Interés y clasifique cada uno de ellos ¿Cómo se relacionan ambas variables? b) Estime el modelo de Regresión lineal simple estimado c) Pronosticar: ¿Cuánto en Promedio se comprimirá un resorte al cual se le aplicó una fuerza de 3.5 Newton? CIERRE ¿QUÉ HEMOS APRENDIDO? 1. ¿Cuándo se usa la regresión lineal y que supuestos debe cumplir? 2. ¿Cómo se interpreta el coeficiente de una regresión lineal?
Compartir