Estadstica Inferencial II

BIENVENIDOS

Competencias especificas de la
materia
Conocer y aplicar tcnicas de diseo experimental, con el objeto de toma
decisiones para analizar, evaluar y mejorar procesos logsticos e industrial.
Adquirir criterios y herramientas de diseo experimental para planificar
experimentos eficazmente en los procesos logsticos e industriales.
Desarrollar las habilidades para la aplicacin de las herramientas y
procedimientos habituales del anlisis estadstico para la obtencin de
conclusiones vlidas.
Conocer y aplicar las series de tiempo en sistemas logsticos e industriales
para determinar los pronsticos para la planeacin de los recursos necesarios
para responder a los cambios de la demanda.
Identificar, aplicar y analizar mediante tcnicas de regresin, para evaluar los
procesos de soporte en la toma de decisiones en la solucin de problemas.

Unidad I
Regresin lineal simple y mltiple.

Bibliografa
Anlisis y diseo de experimentos
Humberto Gutirrez Pulido
Romn de la Vara Salazar
Ed Mc Graw Hill
Probabilidad y estadstica
Walpole, Myers
Ed Mc Graw Hill

Competencia especifica a
desarrollar
Identificar y aplicar los conceptos bsicos del
modelo de regresin lineal simple
Establecer las condiciones para distinguir entre
una regresin y un correlacin
Identificar y aplicar los conceptos bsicos del
modelo de regresin mltiple
Identificar y aplicar los conceptos bsicos del
modelo de regresin no lineal

1.1 Modelo de regresin lineal

simple.
Objetivo de la regresin:
Determinar
una funcin matemtica
sencilla que describa el comportamiento
de una variable dados los valores de otra
u otras variables.
Modelar
en forma matemtica el
comportamiento de una variable de
respuesta en funcin de una o mas
variables independientes.

1.1 Modelo de regresin lineal

simple.

El anlisis de regresin puede usarse para

explicar la relacin entre variables. Para
ello son necesarios los datos, los cuales
pueden obtenerse de experimentos
planeados,
de
observaciones
de
fenmenos no controlados o de registros
histricos.

1.1 Modelo de regresin lineal

simple.
Ejemplos de la regresin lineal simple:
1) El consumo de gasolina de un vehculo, cuya variacin
puede ser explicada por la velocidad media del mismo.
Podemos incluir en el trmino del error aleatorio el
efecto del conductor, del tipo de carretera, las
condiciones ambientales, etc.
2) El presupuesto de una universidad, cuya variacin puede
ser predicha por la variable explicativa nmero de
alumnos. En el trmino del error aleatorio pueden
incluirse el efecto del nmero de profesores, del nmero
de laboratorios, de la superficie disponible de
instalaciones, del nmero de personal de administracin,
etc.

1.1 Modelo de regresin lineal

simple.

Sean dos variables X y Y, suponga que se

quiere explicar el comportamiento de Y
con base en los valores que toma X. Para
esto, se mide el valor de Y sobre un
conjunto de n valores de X, con lo que se
obtienen n parejas de puntos. A Y se le
llama variable dependiente o variable de
respuesta y a X se le conoce como
variable independiente o variable
regresora.

1.1 Modelo de regresin lineal

simple.

Suponga que las variables X y Y estn

relacionadas linealmente y que para cada valor
de X, la variable dependiente, Y, es una variable
aleatoria. Es decir que cada observacin de Y es
descrita por el modelo:

Y=0+1X+
La ecuacin es conocida como Modelo de
regresin lineal simple.

1.1 Modelo de regresin lineal

simple.
Donde:
0= Es el punto en el cual la lnea recta
intercepta o cruza el eje y.
1= Es la pendiente de la lnea, es decir, es
la cantidad en que se incrementa o
disminuye la variable Y por cada unidad
que se incrementa X.

1.1 Mtodo de mnimos cuadrados.

Para estimar:
1

S XY
S XX

0 y 1 x

Donde:
S XX x
2
i

i 1

i 1 yi

(i 1 xi )
n

S XY xi y i

i 1 xi
n

(i 1 xi )(i 1 y i )
n

(i 1 yi ) 2

i 1

S yy yi2

1.1 Modelo de regresin lineal

simple.

En un laboratorio de
investigacin se quiere
investigar la forma en
que se relacionan la
cantidad de fibra
(madera) en la pulpa con
la resistencia del
producto (papel). Los
datos obtenidos en el
estudio se muestran en la
tabla siguiente:

Porcentaje de fibra

Resistencia

134

145

142

10

149

12

144

14

160

16

156

18

157

20

168

22

166

24

167

26

171

28

174

30

183

Diagrama de dispersin.
Grafico de dispersion

185

Resistencia

175
165
155
145
135
125
0

10

15

20

Porcentaje de fibra

25

30

35

Diagrama de dispersin.
Grafica de dispersin

185

Resistencia

175
165
155
145
135
125
0

10

15

20

Porcentaje de fibra

25

30

35

1.1.1 Prueba de hiptesis en la

regresin lineal simple.

Por lo general la hiptesis de mayor inters es probar

que la pendiente es significativamente diferente de cero.

Se rechaza H0, si F0 > F(, 1, n-2) , No rechazar H0, en el

caso del modelo de la regresin lineal simple implica que
no existe una relacin lineal significativa entre X y Y; por
lo que o no existe relacin entre estas variables o la
relacin es de otro tipo.

1.1.1 Prueba de hiptesis en la

regresin lineal simple.

1.1.2 Calidad del ajuste en

regresin lineal simple

La prueba de hiptesis nos permite

verificar que hay una relacin significativa
entre X y Y. A continuacin veremos si tal
relacin nos permite hacer estimaciones
con calidad.

1.1.2 Calidad del ajuste en

regresin lineal simple

Coeficiente de determinacin R2.

El

valor obtenido oscila entre 0<R2<1. Se

interpreta como la proporcin de las
variabilidades en los datos (Y ) que es explicada
por el modelo. Entre mas cerca a 1 es mejor.

1.1.2 Calidad del ajuste en

regresin lineal simple

Coeficiente de determinacin ajustada R2aj.

Para fines de prediccin se recomienda que un coeficiente de

determinacin ajustado de al menos 0.7

1.1.2 Calidad del ajuste en

regresin lineal simple

Coeficiente de correlacin r.

Mide la intensidad de la relacin de la lineal entre dos variables X y Y.

Los valores caen entre -1<r<1, si es prximo a -1 se tiene una
relacin lineal negativa fuerte, si es prximo a cero, entonces
diremos que no hay correlacin lineal, pero si es prxima a 1
diremos que hay una correlacin positiva fuerte.

1.1.3 Estimacin y prediccin por

intervalo en regresin lineal simple

Una de las aplicaciones ms importantes

en un anlisis de regresin es hacer
estimaciones de la respuesta media para
un valor dado x0 .

Intervalo para la recta de regresin.

1.5 Regresin lineal mltiple

En muchas situaciones prcticas existen

variables independientes que se cree que
influyen o estn relacionadas con una
variable de respuesta Y, y por lo tanto
ser necesario tomar en cuenta si se
quiere predecir o entender mejor el
comportamiento de Y.

1.5 Regresin lineal mltiple

Para esto se tiene el modelo de regresin lineal

mltiple con k variables independientes es el
polinomio de primer orden:
Y 0 1 X1 2 X 2 ... k X k

Donde:
j Coeficientes de regresin.
Error.

1.5 Regresin lineal mltiple

Ejemplo:
Se presenta un experimento secuencial para optimizar la
produccin de un colorante natural. En la etapa final se
ha encontrado una zona de experimentacin donde se
sospecha que se encuentran las condiciones optimas
para la produccin de este colorante en funcin de la
concentracin de carbono (X1) y temperatura (X2). En la
siguiente tabla se muestran los niveles de X1 y X2 con los
que se experimento y la produccin observada en cada
una de las condiciones.

1.5 Regresin lineal mltiple

x1: Carbono
9
13
9
13
8.17
13.8
11
11
11
11
11
11

x2:Temperatura
17
17
25
25
21
21
15.34
26.66
21
21
21
21

Y: Produccin
5707
5904
3015
2673
5804
6700
5310
725
7521
7642
7500
7545

1.6 Pruebas de hiptesis en

regresin lineal mltiple

La hiptesis global ms importante sobre un

modelo de regresin mltiple es ver si la
regresin es significativa. Esto se logra
probando la siguiente hiptesis:
H 0 : 1 2 ... 0
HA :j 0

para al menos un j = 1, 2,, k.

1.6 Pruebas de hiptesis en

regresin lineal mltiple

Aceptar significa que ningn termino o variable en el

modelo tiene una contribucin significativa al explicar la
variable de respuesta, Y. Mientras que rechazar implica
que por lo menos un trmino en el modelo contribuye de
manera significativa al ajuste. Para hacer la prueba de
estas hiptesis el procedimiento es similar al realizado en
la regresin simple. Primeramente obtiene la tabla para
el analiza de varianza y con los valores F (valor crtico) y
F0 (valor calculado), se comparan y se obtiene una
conclusin. Se rechaza H0 si F0 F( ,k ,nk 1) . Donde k = es
el nmero de variables independientes.

1.7. Intervalos de confianza y

prediccin en regresin mltiple

Al igual que en la regresin lineal simple, es

posible construir intervalos de confianza y
prediccin en regresin lineal mltiple.

y 0 t( / 2,nk 1) CM E (1 x'0 ( X ' X ) 1 x0 y0 y 0 t( / 2,nk 1) CM E (1 x'0 ( X ' X ) 1 x0

Donde: