Tema

Estimacin de parmetros por Mnimos Cuadrados

SubTema
Estimacin de parmetros en una regresin lineal por mnimos cuadrados
Objetivo
El alumno plantea y obtendr los parmetros en una regresin lineal por
mnimos cuadrados.

Liga a la Presentacin en Power Point

Mnimos Cuadrados
Ejemplo(s) Adicional (es) Resuelto (s)

Mtodo de Regresin Lineal por Mnimos

Cuadrados
El ao pasado, cinco alumnos elegidos aleatoriamente resolvieron un
examen de aptitud matemtica antes de iniciar su curso de estadstica. El
Departamento de Estadsticas desea contestar tres preguntas:

Qu ecuacin de regresin lineal predice mejor el desempeo de

los alumnos en el curso de estadstica, tomando como base los
resultados del examen de aptitud matemtica?
Si un estudiante obtuvo una nota de 80 en la prueba de aptitud, qu
nota se debe esperar en el curso de estadstica?
Qu tan bien se ajusta la ecuacin de regresin a los datos?

En la tabla que se muestra a continuacin, la columna x i muestra las notas

obtenidas por los cinco alumnos en el examen de aptitud matemtica.
Similarmente, la columna yi muestra notas estadsticas. El resto de las
columnas muestran clculos intermedios utilizados para obtener la
ecuacin de regresin lineal.
Estudiante

xi

yi

(xi - x)

(yi - y)

(xi - x)2

(yi - y)2

(xi - x)(yi - y)

95

85

17

289

64

136

85

95

18

49

324

126

80

70

-7

49

-14

70

65

-8

-12

64

144

96

-18

-7

324

49

126

730

630

470

60

70

Suma

390

385

Media

78

77

La ecuacin de regresin es una ecuacin lineal de la forma: y = b 0 + b1x.

Para realizar un anlisis de regresin, necesitamos encontrar los valores
de b0 y b1. Ls clculos son los siguientes:

b1 = [ (xi - x)(yi - y) ] / [ (xi - x)2] ; b1 = 470/730 = 0.644

b0 = y - b1 * x ; b0 = 77 - (0.644)(78) = 26.768
Por lo tanto, la ecuacin de regresin lineal es y = 26.768 + 0.644 x.
Una vez obtenida, la ecuacin de regresin lineal es muy fcil de utilizar.
Utilizamos el valor para la variable independiente deseado (x), y lo
evaluamos para obtener la estimacin de la variable dependiente (y).
En nuestro problema, la variable independiente es la nota de un alumno
obtenida en el examen de aptitud matemtica. La variable dependiente es
la nota esperada en el curso de estadstica para ese mismo alumno. Si un
alumno obtuvo una nota de 80 en el examen de aptitud matemtica, el
valor esperado en el curso de estadstica est dado por:
y = 26.768 + 0.644 x = 26.768 + 0.644*80 = 78.288
Observacin: Cuando utilices una ecuacin de regresin, no utlices
valores de variable independiente fuera del rango utilizado para obtener la
ecuacin. Cuando se desea realizar ese tipo de evaluacin, es necesario
utilizar mtodos de extrapolacin, y para eso este mtodo obtiene
estimaciones inprecisas.
En este problema, los resultados en la prueba de aptitud matemtica
utilizados para obtener la ecuacin de regresin estn en el rango de 60 a
95. Por lo tanto, solo podemos utilizar valores en ese rango para
determinar estimados de notas en el curso de estadstica.
Cuando utilizamos una ecuacin de regresin, debemos verificar si la
ecuacin se ajusta a los datos. Una manera de determinar este ajuste es
calculando el coeficiente de determinacin, utilizando la ecuacin:
R 2 = {(1/ N) * [(X i X) * (Yi Y)] /( x * y )}

Donde N es la cantidad de datos empleados para obtener el modelo. Los

clculos
para nuestro problema son los siguientes:
x = sqrt (730/5) = sqrt (146) = 12.083
y = sqrt (630/5 ) = sqrt (126) = 11.225
R2 = [(1/5)*470 /(12.083*11.225)]2 = (94/135.632)2 = (0.693)2 = 0.48
Un coeficiente de determinacin igual a 0.48, indica que aproximadamente
el 48% de la variacin en las notas en el curso de estadstica (variable
dependiente) puede ser expresado por la relacin con la prueba de aptitud
matemtica (la variable independiente). Lo anterior puede considerarse
como un buen ajuste a los datos, en el sentido que puede ser de ayuda
significativa para el maestro para predecir el desempeo de sus
estudiantes en la clase de estadstica.
Por ltimo, veamos grficamente los valores empleados para realizar la

estimacin lineal, y la recta proporcionada por la misma:

Tarea Sugerida
Problemas 17.4, 17.5 y 17.6 del libro de texto pgina 500.
Ligas Sugeridas
http://en.wikipedia.org/wiki/Linear_regression
Problemas de Opcin Mltiple
1. Un investigador utiliza una ecuacin de regresin para estimar el
cobro de consumo elctrico para el servicio domstico, basndose
en los metros cuadrados de construccin en las casas. La
correlacin entre el cobro estimado y el tamao de la casa es de
0.70. Cul es la correcta interpretacin de este resultado?
a. El 70% de la variacin en el cobro del consumo elctrico
puede ser explicado mediante el tamao de la casa.
b. El 49% de la variacin en el cobro del consumo elctrico
puede ser explicado mediante el tamao de la casa.
c. Por cada metro cuadrado agregado al tamao de la casa, el
cobro de consumo elctrico se incrementa en 70 centavos.
d. Por cada metro cuadrado agregado al tamao de la casa, el
cobro de consumo elctrico se incremente en 49 centavos.
e. Ninguna de las anteriores.
Solucin: La respuesta correcta es (b). El coeficiente de
determinacin mide la proporcin de variacin en la variable
dependiente que puede ser estimado por la variable
independiente. El coeficiente de determinacin es el cuadrado
de la correlacin, en este caso (0.7)2 = 0.49. Por lo tanto, el
49% de la variacin en la cuenta de consumo elctrico puede
ser explicado por el tamao de la casa.
2. Cul de las siguientes aseveraciones es vlida con respecto a la
pendiente de la lnea de regresin lineal por mnimos cuadrados?

a. Tiene el mismo signo que la correlacin.

b. Es adimensional.
c. El cuadrado de la pendiente es la fraccin de variacin en y
explicada por x.
d. Es el valor de y cuando x=0.
e. Ninguna de las anteriores.
3. Si se cambian las unidades de medicin de la variable dependiente
(y), el parmetro que no se afecta es
a. el parmetro estimado de intercepcin.
b. el parmero estimado de la pendiente.
c. la suma total de cuadrados en la regresin.
d. el coeficiente de determinacin (R2).
e. los errores estandarizados estimados.