Sunteți pe pagina 1din 13

Mtodos estadsticos

Tema: Regresin Lineal Simple Alumnas: Vilma Beatriz Reyes Vidaurre Victoria Noem Chvez Palacios

ndice
1. 2. 3. 4. 5. 6. (Victoria) Introduccin.. 3 (Beatriz) Marco Terico 4 ( Victoria, Beatriz) Caso Prctico. 6 (Victoria) Aplicaciones en la industria agroalimentaria.. 11 (Beatriz) Conclusiones 12 Biografa... 13

1. 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. En la industria con mucha frecuencia es necesario resolver problemas que implican conjuntos de variables, cuando se sabe que existe alguna relacin inherente entre ellas. A partir de lo anterior, es necesario establecer modelos que expliquen dicha relacin. Cuando, simultneamente, contemplamos dos variables continuas, aunque por extensin se pueden emplear para variables discretas cuantitativas, surgen preguntas y problemas especficos. Esencialmente, se emplearn estadsticos descriptivos y tcnicas de estimacin para contestar esas preguntas, y tcnicas de contraste de hiptesis especficos para resolver dichos problemas. La mayora de estos mtodos estn encuadrados en las tcnicas regresin y correlacin En forma ms especifica el anlisis de correlacin y regresin comprende el anlisis de los datos mustrales para saber qu es y cmo se relacionan entre si dos o ms variables en una poblacin. El anlisis de correlacin produce un nmero que resume el grado de la fuerza de relacin entre dos variables; y el anlisis de regresin da lugar a una ecuacin matemtica que describe dicha relacin. La tcnica de regresin lineal simple est indicada cuando se pretende explicar una variable respuesta cuantitativa en funcin de una variable explicativa cuantitativa tambin llamada variable independiente, variable regresar o variable productora. Por ejemplo, se podra intentar explicar el peso en funcin de la altura. El modelo intentara aproximar la variable respuesta mediante una funcin lineal de la variable explicativa.

2. ASPECTOS TERICOS REGRESIN SIMPLE La Regresin y la correlacin son dos tcnicas estadsticas que se pueden utilizar para solucionar problemas comunes en los negocios. Muchos estudios se basan en la creencia de que es posible identificar y cuantificar alguna Relacin Funcional entre dos o ms variables, donde una variable depende de la otra variable. Se puede decir que Y depende de X, en donde Y y X son dos variables cualquiera en un modelo de Regresin Simple. "Y es una funcin de X" Y = f(X) Como Y depende de X, Y es la variable dependiente, y X es la variable independiente. 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 es la variable que se desea explicar, predecir. Tambin se le llama regresando o variable de respuesta. La variable independiente x se le denomina variable explicativa y se le utiliza para explicar y. En el estudio de la relacin funcional entre dos variables poblacionales, una variable X, llamada independiente, explicativa o de prediccin y una variable Y, llamada dependiente o variable respuesta, presenta la siguiente notacin: Y=a+bX+e Donde: a es el valor de la ordenada donde la lnea de regresin se intercepta con el eje Y. b es el coeficiente de regresin poblacional (pendiente de la lnea recta) e es el error

SUPOSICIONES DE LA REGRESIN LINEAL 1. Los valores de la variable independiente X son fijos, medidos sin error. 2. La variable Y es aleatoria 3. Para cada valor de X, existe una distribucin normal de valores de Y (subpoblaciones Y) 4. Las variancias de las subpoblaciones Y son todas iguales. 5. Todas las medias de las subpoblaciones de Y estn sobre la recta. 6. Los valores de Y estn normalmente distribuidos y son estadsticamente independientes. ESTIMACIN DE LA ECUACIN DE REGRESIN MUESTRAL Consiste en determinar los valores de "a" y "b " a partir de la muestra, es decir, encontrar los valores de a y b con los datos observados de la muestra. El mtodo de estimacin es el de Mnimos Cuadrados, mediante el cual se obtiene:

Luego, la ecuacin de regresin muestral estimada es

Que se interpreta como: a. es el estimador de a Es el valor estimado de la variable Y cuando la variable X = 0 b. es el estimador de b , es el coeficiente de regresin Est expresado en las mismas unidades de Y por cada unidad de X. Indica el nmero de unidades en que vara Y cuando se produce un cambio, en una unidad, en X (pendiente de la recta de regresin). Un valor negativo de b sera interpretado como la magnitud del decremento en Y por cada unidad de aumento en X.

3. Caso Prctico Ejemplo 1 Los datos de la tabla adjunta muestran el tiempo de impresin (Y) de trabajos que se han imprimido en impresoras de la marca PR. Se est interesado en estudiar la relacin existente entre la variable de inters tiempo de impresin de un trabajo y la variable explicativa (X) nmero de pginas del trabajo. Hacer el estudio en base a los datos obtenidos en el muestreo y que son los de la tabla adjunta.

Solucin Problema Se calculan los estadsticos bsicos de las variables X e Y,

Que permiten calcular las estimaciones de los parmetros de la recta de regresin

Ahora, se pueden calcular las predicciones

La suma de cuadrados de los residuos es

Que permite calcular la varianza residual

Las varianzas de los parmetros son

De donde se deducen los siguientes intervalos de confianza (al 90%) y contrastes de hiptesis: Intervalo de confianza para
2

73

<

<

2 73

54'3245 85'325 Intervalo de confianza para


1

< <
2

< 94'0592 < 147'735

t73 - 1'6664
1

<

< t73 < 1'6664 8'108 0'7142 =

<

Contraste de hiptesis para

= = 0'0000

= 18'917 ~ t n-2 Se rechaza H 0

p - valor Contraste de hiptesis para


0

= = 0'0000

= 5'144 ~ t n-2 Se rechaza H 0

p - valor El coeficiente de correlacin es

Se calcula la tabla ANOVA del modelo y se obtiene = = =


i=1 75

ei2 = 8025'61
2

i=1

75

= 75 . sy2 = 47.368'95 = V T - V NE = 39.343'34

i=1

75

Que permite construir la siguiente tabla

A partir de esta tabla se puede realizar el contraste de regresin

Se rechaza la hiptesis nula y se asume que el modelo ajustado es significativo.

Ejemplo 2
Una compaa desea hacer predicciones del valor anual de sus ventas totales en cierto pas a partir de la relacin de stas y la renta nacional. Para investigar la relacin cuenta con los siguientes datos: X Y 189 402 190 404 208 412 227 425 239 429 252 436 257 440 274 447 293 458 308 469 316 469

X representa la renta nacional en millones de euros e Y representa las ventas de la compaa en miles de euros en el periodo que va desde 1990 hasta 2000 (ambos inclusive). Calcular: 1. La recta de regresin de Y sobre X. 2. El coeficiente de correlacin lineal e interpretarlo.

xi

yi

x i y i

xi2

y i2

189

402

35 721

161 604

75 978

190

404

36 100

163 216

76 760

208

412

43 264

169 744

85 696

227

425

51 529

180 625

96 475

239

429

57 121

184 041

102 531

252

436

63 504

190 096

109 872

257

440

66 049

193 600

113 080

274

447

75 076

199 809

122 478

293

458

85 849

209 764

134 194

308

469

94 864

219 961

144 452

316

469

99 856

219 961

148 204

2 753

4 791

708 933

2 092 421

1 209 720

10

4. Aplicaciones en la Industria Agroalimenticia


Con la evolucin de las empresas y de su entorno, la regresin lineal ha cobrado importancia dadas las aplicaciones que se encuentran para ella en la industria. Pese a que se sabe por el empirismo que en el mundo organizacional es complicado encontrar procesos que sigan comportamientos perfectamente lineales, la ecuacin de la recta es la forma ms sencilla en la que podemos modelar el entorno. La facilidad de llevar un proceso o sistema real a un modelo matemtico lineal permite a los decisores entender de una mejor forma los fenmenos a los cuales se enfrentan permitindoles tener un criterio tcnico para establecer cursos de accin en el futuro. Una de las principales aplicaciones encontradas para la regresin lineal en el mundo empresarial es la capacidad que tiene de analizar tendencias de datos histricos para poder predecir comportamientos futuros de variables tan decisivas como las ventas, la produccin o los costos. La regresin lineal como mtodo de pronstico brinda a los gerentes una visin sobre el comportamiento de sus negocios, la tendencia que tiene la informacin y permite establecer una planeacin pensando en sobrellevar de la mejor forma la organizacin. Otra de las aplicaciones es la relacin experimental que se puede conocer entre 2 o ms variables. En este aspecto, la regresin da una herramienta para a travs de cambios controlados en una variable, poder inferir en el resultado de otra. Por ejemplo se puede establecer que en la industria de alimentos, la temperatura tiene una relacin directa con el tiempo de coccin de los productos, de este modo realizando cambios controlados de temperatura, se puede predecir el tiempo de coccin del alimento.

11

Conclusiones:
La regresin permite analizar tendencias basados en datos histricos, sin embargo no tiene en cuenta informacin del futuro, por lo que puede generar grandes desviaciones al no tener en cuenta fenmenos que se estn presentando y que puedan afectar la empresa. El anlisis de regresin y correlacin lineal constituyen mtodos que se emplean Para conocer las relaciones y significacin entre series de datos. Lo anterior, es de suma importancia para la industria ya que es aqu en donde se presentan variables de respuesta e independientes las cuales interactan para originar las caractersticas de un proceso en particular y por ende; analizar, predecir valores de la variable dependiente y examinar el grado de fuerza con que se relacionan dichas variables. La regresin lineal simple y la regresin mltiple, analiza la relacin de dos o ms variables continuas, cuando analiza dos variables a esta se l conoce como variable bivariantes que pueden corresponder a variables cualitativas. La finalidad de una ecuacin de regresin es la de estimar los valores de una variable con base en los valores conocidos de la otra. Del mismo modo, una ecuacin de regresin explica los valores de una variable en trminos de otra. Es decir, se puede intuir una relacin de causa y efecto entre dos o ms variables. El anlisis de regresin nicamente indica qu relacin matemtica podra haber, de existir una. Por otro lado, Al ajustar un modelo de regresin simple o mltiple a una nube de observaciones es importante disponer de alguna medida que permita medir la bondad del ajuste. Esto se consigue con los coeficientes de correlacin. Si el modelo que se ajusta es un modelo de regresin lineal, a R se le denomina coeficiente de correlacin y representa el porcentaje de variabilidad de la Y que explica el modelo de regresin. Estas tcnicas estadsticas constituyen una herramienta til para el anlisis de las variables de un proceso ya que a travs de la aplicacin de stas, es posible conocer el modelo que siguen y la fuerza con que se encuentran relacionadas. Asimismo, es posible explicar la relacin que guardan dos o ms causas de un posible defecto.

12

Bibliografa

Marco terico Jos Antonio Heredia lvaro, apuntes de clase tema 3: Regresin Lineal de la asignatura Ingeniera de Calidad. Ejemplos - Ronald E. Walpole (1992). Probabilidad y Estadstica. -Ronald E. Walpole y Raymond H Myers. PROBABILIDAD Y ESTADSTICA, Sexta Edicin. 1998. - William Mendenhall y Dennos D. Wackerly. ESTADSTICA MATEMTICA CON APLICACIONES, Segunda Edicin. 1994 Editorial Iberoamericana.

13

S-ar putea să vă placă și