Escolar Documentos
Profissional Documentos
Cultura Documentos
El coeficiente de
lineal nos permite
efectivamente,
variables. Una vez
la regresin nos
la recta que mejor se
nube de puntos.
correlacin
determinar
si,
existe relacin entre las dos
que se concluye que s existe relacin,
permite definir
ajusta a esta
10
20
30
(1/30) * 1,034
b
= -------------------------------------- = 40,26
--5
(1/30) * 0,00856
Y el parmetro "a" por:
a = 33,1 - (40,265 * 1,262) = -17,714
Por lo tanto, la recta que mejor se ajusta a esta serie de datos es:
y = -17,714 + (40,265 * x)
Esta recta define un valor de la variable dependiente (peso), para cada valor de la
variable independiente (estatura):
Estatura
x
1,20
1,21
1,22
1,23
1,24
1,25
1,26
1,27
1,28
1,29
1,30
Peso
x
30,6
31,0
31,4
31,8
32,2
32,6
33,0
33,4
33,8
34,2
34,6
Ejemplo
En una muestra de 1.500 individuos se recogen datos sobre dos medidas
antropomtricas X e Y. Los resultados se muestran resumidos en los siguientes
estadsticos:
Solucin:
Lo que se busca es la recta, , que mejor aproxima los valores de Y (segn el
criterio de los mnimos cuadrados) en la nube de puntos que resulta de
representar en un plano (X,Y) las 1.500 observaciones. Los coeficientes de esta
recta son:
Regresin Curvilnea:
Se considerar primero el caso en que la graficacin en una escala adecuada
puede ser lineal. Por ejemplo, si un conjunto de parejas de datos que conste de n
puntos (xi,yi) "se enderezan" cuando son graficados sobre ejes escalados
adecuadamente. E este caso, al ser representados sobre papel semilogartmico,
indican que la curva de regresin de y sobre x es exponencial, es decir para
cualquier x considerada, la media de la distribucin est dada por la siguiente
ecuacin predictora
y = . x
tomando logaritmos en ambos miembros:
log y( ) log() + x log ( )
y se puede estimar ahora log() y log(), y de ah obtener y , aplicando los
mtodos anteriores a los n pares de valores [xi,log(yi)].
Supongamos que al hacer la representacin grfica correspondiente la distribucin
bidimensional, hemos obtenido la figura 6.1c. Se observa una clara relacin entre
las dos variables, pero desde luego, esa relacin no es lineal.
Por tanto, debemos buscar la funcin que ha de describir la dependencia entre las
dos variables.
Nos limitaremos al estudio de las ms utilizadas: la funcin parablica, la
logartmica, la exponencial y la potencial.
La
Los modelos de regresion no lineal son muy variados, algunos de estos modelos
se dan a continuacion:
Regresin mltiple:
En definitiva, y al igual que en regresin lineal simple, vamos a considerar que los
valores de la variable dependiente Y han sido generados por una combinacin
lineal de los valores de una o ms variables explicativas y un trmino aleatorio:
Los coeficientes son elegidos de forma que la suma de cuadrados entre los
valores observados y los pronosticados sea mnima, es decir, que se va a
minimizar la varianza residual.
Esta ecuacin recibe el nombre de hiperplano, pues cuando tenemos dos
variables explicativas, en vez de recta de regresin tenemos un plano:
En base a estos datos, vamos a construir un modelo para predecir el peso de una
persona (Y). Esto equivale a estudiar la relacin existente entre este conjunto de
variables y la variable peso (Y). 1 5 x ,...,x
estatura
pie
l_brazo
a_espald
d_craneo
Bibliografa:
www aulafacil.com/CursoEstadistica/Lecc-13-est.htm
pendientedemigracion.ucm.es/info/socivmyt/.../D.../18reglin_SPSS.pdfbooks.googl
e.com.mx/books?isbn=8484510182
http://eprints.uanl.mx/1488/1/1020070582.PDF