Professional Documents
Culture Documents
INTRODUCCIN
Si sabemos que existe una relacin entre una variable denominada dependiente y otras denominadas
independientes (como por ejemplo las existentes entre: la experiencia profesional de los trabajadores y sus
respectivos sueldos, las estaturas y pesos de personas, la produccin agraria y la cantidad de fertilizantes
utilizados, etc.), puede darse el problema de que la dependiente asuma mltiples valores para una
combinacin de valores de las independientes.
La dependencia a la que hacemos referencia es relacional matemtica y no necesariamente de causalidad.
As, para un mismo nmero de unidades producidas, pueden existir niveles de costo, que varan empresa a
empresa.
Si se da ese tipo de relaciones, se suele recurrir a los estudios de regresin en los cuales se obtiene una
nueva relacin pero de un tipo especial denominado funcin, en la cual la variable independiente se asocia
con un indicador de tendencia central de la variable dependiente. Cabe recordar que en trminos generales,
una funcin es un tipo de relacin en la cual para cada valor de la variable independiente le corresponde uno
y slo un valor de la variable dependiente.
2.
ASPECTOS TERICOS
En el Modelo de Regresin es muy importante identificar cul es la variable dependiente y cul es la variable
independiente.
En el Modelo de Regresin Simple se establece que Y es una funcin de slo una variable independiente,
razn por la cual se le denomina tambin Regresin Divariada porque slo hay dos variables, una
dependiente y otra independiente y se representa as:
Y = f (X)
"Y est regresando por X"
La variable dependiente Y es la variable que se desea explicar, predecir. Tambin se le llama REGRESANDO
VARIABLE DE RESPUESTA.
La variable Independiente X se le denomina VARIABLE EXPLICATIVA REGRESOR y se le utiliza para
EXPLICAR Y.
Y=a+bX+e
Dnde:
2.
La variable Y es aleatoria
3.
4.
5.
6.
152
155
50
61.5
Con estos datos vamos a plantear una ecuacin de regresin simple que nos permita pronosticar los pesos
conociendo las tallas. Utilizaremos a = 0.05, y contrastaremos nuestra hiptesis con la prueba F.
4. DESARROLLO
Representacin matemtica y grfica de los datos:
Representacin Matemtica
estatura
datos
152
155
152
155
157
152
157
165
162
10
178
11
183
12
178
Representacin Grfica
6. INTERPRETACIN
La ecuacin de regresin estimada es:
Se obtiene:
7.
CONCLUSIN
La ecuacin de Regresin Lineal estimada para las variables estatura y peso muestran,
de acuerdo a la prueba F, relacin.
Esta relacin se ha estimado en un R = 93.7, que indica una fuerte relacin positiva.
Adems si consideramos el coeficiente de determinacin R = 87.9 podemos indicar que
el 87.9% de las variaciones que ocurren en el peso se explicaran por las variaciones en
la variable estatura.
Nota:
Coeficiente de correlacin lineal
El coeficiente de correlacin lineal es el cociente entre la covarianza y el
producto de las desviaciones tpicas de ambas variables.
El coeficiente de correlacin lineal se expresa mediante la letra r.
5:41