Regresión Simple..

Slides:



Advertisements
Presentaciones similares
Clasificación de funciones
Advertisements

Si la estadística no miente...: ¡Cuánto influyes sobre mi!
Tema 6: Regresión lineal.
Tema.9.Predicción y estimación. Concepto. Cálculo de la ecuación de regresión lineal. Modelo general lineal. Evaluación del modelo. Diagnóstico del modelo.
Tema 3: Estadística descriptiva bivariante y regresión lineal.
REGRESION Y CORRELACION
Estadística Unidad II Regresión lineal
GRÁFICAS Y FUNCIONES MATEMÁTICAS Bernardo Nieto Castellanos.
ESTRATEGIAS Y DISEÑOS AVANZADOS DE INVESTIGACIÓN SOCIAL
Estadística: -Correlación y regresión
Ingeniería Industrial II CicloEducativo 2011
REGRESION Y CORRELACION LINEALES. REGRESION LINEAL SIMPLE Finalidad Estimar los valores de y (variable dependiente) a partir de los valores de x (variable.
REGRESION & CORRELACION
Introducción a la Estadística. Modelos de regresión
Regresión y correlación
TEMA 8: ANÁLISIS DE LA REGRESIÓN Y CORRELACIÓN ENTRE DOS VARIABLES
Estadística Descriptiva: 4. Correlación y Regresión Lineal
EJEMPLO COMPLETO Y APLICACIONES Bloque IV * Tema 161.
Regresión lineal Es un modelo matemático para predecir el efecto de una variable sobre otra, ambas cuantitativas. Una variable es la dependiente y otra.
Curso de Estadística Básica
1º BACHILLERATO | Matemáticas © Oxford University Press España, S.A Hacer clic en la pantalla para avanzar VARIABLE ESTADÍSTICA UNIDIMENSIONAL Población:
Estadística bidimensional
MEDIDAS DE DISPERSIÓN:
COMPORTAMIENTO DE LAS DISTRIBUCIONES DE
Análisis de Correlación y de Regresión lineal simple
UNIVERSIDAD AUTONOMA DEL PERÚ
Distribuciones bidimensionales. Tablas de contingencia
Tema 3: Estadística descriptiva bivariante y regresión lineal.
Técnicas estadísticas paramétricas univariantes: regresión
PROYECCIONES DE LA DEMANDA
BIOMETRIA II TEMA 2 El Modelo de Regresión.
Pronósticos, Series de Tiempo y Regresión
Tema 7: Regresión Simple y Múltiple. EJEMPLO: Aproxima bien el número de préstamos que efectúa una biblioteca a lo largo de su primer año de vida. Nos.
RECTA DE REGRESIÓN DÍA 55 * 1º BAD CT
Tema 7: Regresión Simple
Titular: Agustín Salvia
Introducción a la Inferencia Estadística
ESTADÍSTICA BIDIMENSIONAL
REGRESION LINEAL SIMPLE
Estadística bidimensional
LA RECTA DE REGRESIÓN CONTENIDOS:
Primerasdefiniciones y conceptos de la regresión El análisis de la regresión es una técnica estadística que se utiliza para estudiar la relación entre.
Tema 2: Regresión y correlación
D. BIDIMENSIONALES DÍA 53 * 1º BAD CT
Diagramas de dispersión (Nube de puntos)
Variables estadísticas bidimensionales
Clasificación de funciones
Estadística Aplicada a las Ciencias Políticas
coeficientes de correlación de
Relaciones entre variables y regresión
SEMINARIO DE INVESTIGACION Titular: Agustín Salvia
Estadística II Regresión Lineal.
DISTRIBUCIONES BIDIMENSIONALES
Variables estadísticas bidimensionales
CORRELACIÓN Y REGRESIÓN EMPLEANDO EXCEL
Correlación Decimos que dos variables, X e Y, están correlacionadas cuando hay una relación cuantitativa entre ellas. X suele ser la variable independiente.
Variables estadísticas bidimensionales
TEMA 3: Estadística Bidimensional.
ANÁLISIS DE LA INFORMACIÓN La relación entre variables.
TEMA : ANALISIS DE REGRESION
TEMA 3: Estadística Bidimensoional.
@ Angel Prieto BenitoMatemáticas Aplicadas CS I1 U.D. 12 * 1º BCS ESTADÍSTICA BIDIMENSIONAL.
UNIDAD IV Regresión y correlación lineal
Tema 2: Estadística bidimensional
REGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE. Temas Introducción Análisis de regresión (Ejemplo aplicado) La ecuación de una recta Modelo estadístico y suposiciones Estimación.
ESTADISTICA DESCRIPTIVA BIVARIADA MEDIDAS DE RELACIÓN ENTRE VARIABLES CUANTITATIVAS.
REGRESIÓN LINEAL SIMPLE TEMA INTRODUCCIÓN Determinar la ecuación de regresión sirve para: – Describir de manera concisa la relación entre variables.
GRÁFICAS Y FUNCIONES MATEMÁTICAS Bernardo Nieto Castellanos.
ESTADÍSTICA BIDIMENSIONAL
Transcripción de la presentación:

Regresión Simple.

X Y x1 x2 … xn y1 y2 yn Consideramos dos variables X e Y, que medimos conjuntamente: X Y x1 x2 … xn y1 y2 yn Observaciones Por ejemplo: X=distancia a una planta industrial, Y=contaminación por cierto elemento, peso y altura, nivel de CO2 en una ciudad y nº de habitantes, etc.

Decimos que entre X e Y existe una relación funcional, si existe una función f tal que Y = f(X) Lineal: Y = a + bX Cuadrática: Y = a + bX + cX2 Exponencial: Y = a.bX Cúbica: Y = a + bX + cX + dX3

Sin embargo, cuando trabajamos con variables estadísticas, la situación que se da es…

En los casos anteriores decimos que entre las variables X e Y existe correlación (ó que X e Y son variables correladas). El tipo de correlación tiene que ver con el tipo de función que ajusta bien la relación entre X e Y: Lineal Cuadrática Exponencial Cúbica

Si no hay ninguna función que pueda aproximar la relación entre X e Y, decimos que son variables Incorreladas (es decir, entre ellas no hay una relación estadística significativa). Por ejemplo…

Dadas dos variables X e Y (continuas), ¿Están linealmente correlacionadas? Supone evaluar la idoneidad de un modelo del tipo Y = a + bX para predecir la variable Y a partir de la variable X…

Dadas dos variables X e Y (continuas), ¿Funciona bien algún otro tipo de correlación (cuadrática, cúbica, exponencial, …)? Este es el problema de la regresión simple. (Se habla de regresión lineal, cuadrática, exponencial… Nosotros nos centraremos en el modelo más común, que es el lineal)

REGRESION LINEAL: (descripción intuitiva) ¿Tiene sentido decir que, aproximadamente, Y = a + bX ? Un primer criterio “natural” consiste en representar la nube de puntos ó diagrama de dispersión…

Si la nube de puntos sugiere la existencia de correlación lineal, tiene sentido buscar cuál es la recta que “mejor” aproxima la nube de puntos (recta de regresión) Y = a + bX b: pendiente a: ordenada en el origen Corr. directa o positiva: b>0; corr. inversa o negativa: b<0 (si b=0 se entiende que no hay correlación lineal)

Sirve para hacer predicciones sobre y (conocido x). Residuo de cada observación: diferencia entre el valor real, y el valor predicho. La recta de regresión se obtiene por el método de mínimos cuadrados: es aquella que hace mínima la suma de los cuadrados de los residuos). :valor real

Valor predicho:

Residuo: diferencia entre el valor real y el valor predicho Valor predicho:

Ecuación de la recta de regresión y/x: Covarianza Media marginal de X Media marginal de Y Varianza marginal de X

Coeficiente de correlación lineal de Pearson. Siempre está entre -1 y 1. Su signo coincide con el de la covarianza. Cuanto más cerca está de 1, en valor absoluto, más fuerte es la correlación lineal. Si es igual a 0, no hay correlación lineal (puede haberla de otro tipo).

Coeficiente de correlación lineal de Pearson. Débil - Débil + 0.5 0.9 -1 -0.9 -0.5 1 Moderada - Moderada + (Fuente: Susan Milton, p.412) Fuerte - Fuerte +

¿Basta con esto para evaluar la bondad del modelo? NO!! Ejemplos de ANSCOMBE: cuatro conjuntos de datos, todos con el mismo coeficiente de correlación (0.8164), pero “muy distintos”…

x1 y1 x2 y2 x3 y3 x4 y4 10 8,04 9,14 7,46 8 6,58 6,95 8,14 6,77 5,76 13 7,58 8,74 12,74 7,71 9 8,81 8,77 7,11 8,84 11 8,33 9,26 7,81 8,47 14 9,96 8,1 7,04 6 7,24 6,13 6,08 5,25 4 4,26 3,1 5,39 19 12,5 12 10,84 9,13 8,15 5,56 7 4,82 7,26 6,42 7,91 5 5,68 4,74 5,73 6,89

Razonable…

No hay linealidad…

Residuos atípicos… ¿errores, o algo más?

Un solo punto determina la recta…