Estadstica II

No existen en la naturaleza
dos cosas exactamente iguales,
ni siquiera los gemelos, por tanto la
variacin es inevitable y es analizada por
la Estadstica

MsC. Yanko Bermdez Villa

Seman
a

Tema

Presentacin e Introduccin a la Asignatura

Distribuciones derivadas de la Normal

Unida
d
1

Distribucin Ji-Cuadrado
Distribucin T de Student
Distribucin F de Fisher

Anlisis de series cronolgicas y sus componentes

Mtodos de pronstico

Medias Mviles
Regresin Lineal y No Lineal

Muestreo de aceptacin

Planes de Muestreo
Aceptacin y rechazo de lotes

Pruebas de hiptesis

Anlisis de Varianza (ANOVA)

11

Uso de pruebas no - paramtricas

12

Pruebas de Kolmogorov - Smirnov

13

Prueba de los signos, Prueba de los rangos

13

Grficos de Control

14

Grficos de Control por Variables

Grficos de Control
por Atributos
MsC.
Yanko

Bermdez Villa

ANLISIS DE REGRESIN

OBJETIVO:
Modelar en forma matemtica el comportamiento de una variable de
respuesta en funcin de una variable independiente (factor).
EJEMPLO:
Construir un modelo matemtico que describa la relacin entre el
rendimiento de un proceso qumico y la temperatura de operacin.
Este modelo se puede emplear con fines de prediccin, optimizacin
o control.

Ramn ngel Pons Murgua, PhD

En la prctica a menudo se requiere resolver problemas que implican conjuntos de variables de las cuales
se sabe que tienen alguna relacin inherente entre s. Por ejemplo, en una situacin industrial quiz se sepa
que el contenido de alquitrn en el flujo de salida de un proceso qumico est relacionado con la
temperatura en la entrada. Podra ser de inters desarrollar un mtodo de pronstico, es decir, un
procedimiento que permita estimar el contenido de alquitrn para varios niveles de temperatura de entrada a
partir de informacin experimental. Desde luego, es muy probable que para muchos ejemplos concretos en
los que la temperatura de entrada sea la misma, por ejemplo 130C, el contenido de alquitrn de salida no
sea el mismo. Esto es muy similar a lo que ocurre cuando se estudian varios automviles con un motor del
mismo volumen; no todos tienen el mismo rendimiento de combustible. No todas las casas ubicadas en la
misma zona del pas, con la misma superficie de construccin, se venden al mismo precio.
MsC. Yanko Bermdez Villa

El contenido de alquitrn, el rendimiento del combustible (en millas por galn) y el precio de las casas (en
miles de dlares) son variables dependientes naturales o respuestas en los tres escenarios. La
temperatura en la entrada, el volumen del motor (pies cbicos) y los metros cuadrados de superficie de
construccin son, respectivamente, variables independientes naturales o regresores. Una forma razonable
de relacin entre la respuesta Y y el regresor x es la relacin lineal,

en la que, por supuesto, es la interseccin y es la pendiente. Esta relacin se ilustra en la figura 1 de

esta clase.

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

Si la relacin es exacta y no contiene ningn componente aleatorio o probabilstico, entonces se trata

de una relacin determinista entre dos variables cientficas. Sin embargo, en los ejemplos que
se mencionaron, as como en muchos otros fenmenos cientficos y de ingeniera, la relacin no es
determinista, es decir, una x dada no siempre produce el mismo valor de Y. Como resultado, los
problemas importantes en este caso son de naturaleza probabilstica, toda vez que la relacin
anterior no puede considerarse exacta.
El concepto de anlisis de regresin se refiere a encontrar la mejor relacin entre Y y x
cuantificando la fuerza de esa relacin, y empleando mtodos que permitan predecir los valores de
la respuesta dados los valores del regresor x.

MsC. Yanko Bermdez Villa

En muchas aplicaciones habr ms de un regresor, es decir, ms de una variable independiente que

ayude a explicar a Y. Por ejemplo, si se tratara de explicar las razones para el precio de una casa, se
esperara que una de ellas fuera su antigedad, en cuyo caso la estructura mltiple de la regresin se
podra escribir como:
donde Y es el precio, son los metros cuadrados y es la antigedad de la casa en aos.
En el captulo siguiente se estudiarn problemas con regresores mltiples. El anlisis resultante se
denomina regresin mltiple; en tanto que el anlisis del caso con un solo regresor recibe el
nombre de regresin simple.

MsC. Yanko Bermdez Villa

En un segundo ejemplo de la regresin mltiple, un ingeniero qumico podra estar interesado en la

cantidad de hidrgeno que se ha perdido en las muestras de un metal especfico que se tiene
almacenado. En este caso habra dos entradas, , el tiempo de almacenamiento en horas, y , la
temperatura de almacenamiento en grados centgrados. De modo que la respuesta sera Y, la prdida
de hidrgeno en partes por milln.

MsC. Yanko Bermdez Villa

Hemos limitado el uso del trmino anlisis de regresin a los casos en los que las relaciones entre las variables
no son deterministas, es decir, no son exactas. En otras palabras, debe existir un componente aleatorio en la
ecuacin que relaciona las variables. Este componente aleatorio toma en cuenta consideraciones que no son
medibles o, de hecho, que los cientficos o los ingenieros no comprenden. En realidad, en la mayora de
aplicaciones de la regresin, la ecuacin lineal, digamos, Y = 0 + x es una aproximacin que representa de
manera simplificada algo desconocido y mucho ms complicado.
Por ejemplo, en el caso que implica la respuesta Y = contenido de alquitrn y x = temperatura de entrada es
probable que Y = 0 + x sea una aproximacin razonable que podra funcionar dentro de un rango limitado
de x.

MsC. Yanko Bermdez Villa

Un anlisis de la relacin entre x y Y requiere el planteamiento de un modelo estadstico. Con frecuencia

un estadstico utiliza un modelo como representacin de un ideal que, en esencia, define cmo percibimos
que el sistema en cuestin gener los datos. El modelo debe incluir al conjunto {(x ); i = 1, 2,..., n} de datos
que implica n pares de valores (x, y). No debemos olvidar que el valor de y i , y i i depende de x por medio
de una estructura lineal que tambin incluye el componente aleatorio. La base para el uso de un modelo
estadstico se relaciona con la manera en que la variable aleatoria Y cambia con x y el componente
aleatorio. El modelo tambin incluye lo que se asume acerca de las propiedades estadsticas del
componente aleatorio. A continuacin se presenta el modelo estadstico para la regresin lineal simple.

MsC. Yanko Bermdez Villa

La respuesta Y se relaciona con la variable independiente x a travs de la ecuacin:

en la cual 0 y 1 son los parmetros desconocidos de la interseccin y la pendiente, respectivamente,

y

es una variable aleatoria que se supone est distribuida con E(

que a la cantidad s

) = 0 y Var(

se le denomine varianza del error o varianza residual.

MsC. Yanko Bermdez Villa

) = s 2 . Es frecuente

En el modelo anterior hay varias cuestiones evidentes. La cantidad Y es una variable aleatoria, ya que
h es aleatoria. El valor x de la variable regresora no es aleatorio y, de hecho, se mide con un error
despreciable. La cantidad , que a menudo recibe el nombre de error aleatorio o alteracin aleatoria,
tiene varianza constante. La presencia de este error aleatorio evita que el modelo se convierta tan slo
en una ecuacin determinista. Ahora, el hecho de que E(

) = 0 implica que para una x especfica, los

valores de y se distribuyen alrededor de la recta verdadera o recta de regresin de la poblacin

y = + x. Si se elige bien el modelo, es decir, si no hay otros regresores de importancia y la
aproximacin lineal es buena dentro de los rangos de los datos, entonces son razonables los errores
positivos y negativos que rodean a la regresin verdadera. Debe recordarse que en la prctica 1 0 y
se desconocen y que deben estimarse a partir de los datos.

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa

MsC. Yanko Bermdez Villa