S16 - S1 - Regresión Lineal Gráfico de Dispersión

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 24

SESIÓN 1

Estadística Inferencial para Psicología


Esquema de la unidad 04

ESTUDIOS
RELACIONALES
Y EXPLICATIVOS

R DE PEARSON CHI
REGRESIÓN LINEAL
RHO DE SPEARMAN CUADRADO
GRAFICO DE DISPERSIÓN
SABERES PREVIOS
ANALISIS DE REGRESION

Conoces que significa el Análisis de Regresión?


Para que consideras que te ayudaría conocer la técnica
estadística de Análisis de Regresión?
LOGRO

Al finalizar la sesión los estudiantes conocen y aplican los conceptos


de regresión lineal simple, en diferentes contextos de la vida real y el
campo de las ciencias.
REGRESIÓN LINEAL
Frecuentemente resulta de interés conocer el efecto que una o varias variables
pueden causar sobre otra, es decir nos encontramos en la vida real y científica
con modelos en los que el comportamiento de una variable, Y, se puede explicar a
través de una variable X;
La regresión lineal es un modelo estadístico usado para aproximar la relación
de una variable dependiente llamada Y, y una o mas variables
independientes llamadas Xi y un término aleatorio muchas veces llamado
error ε.
Representación 𝑌 = 𝑓(𝑥) +ε

Por lo tanto, el análisis de regresión involucra el estudio de la relación entre variables


REGRESIÓN LINEAL SIMPLE
Regresión Lineal simple: Ejemplo Demostrativo
Se prueban cinco trozos experimentales del material bajo diferentes presiones. Los valores
de x ( en Newton ) y las magnitudes de compresión y resultantes (en unidades de cm)

Presión Compresión 4 y
(N) (Cm)
X Y 3 Gráfica de
dispersión
1 1
2
2 1
3 2 1
4 2
5 4 0 1 2 3 4 X

Y tiende a aumentar de forma lineal conforme X aumenta


REGRESIÓN LINEAL SIMPLE
Regresión Lineal simple:
La solución es construir un modelo probabilístico que relacione y con x; uno que
contemple la variación aleatoria de los puntos de datos a los lados de una línea recta.
Un tipo de modelo probabilístico, el modelo de regresión lineal simple, supone que
el valor medio de Y para un valor dado de X se grafica como una línea recta y que
los puntos se desvían de esta línea de medias en una cantidad aleatoria (positiva o
negativa) igual a , es decir:

y  0  1 x  
Condición:
E() = 0
Valor medio de y Error
para una x dada aleatorio

Donde 0 y 1 son los coeficientes desconocidos del modelo.


REGRESIÓN LINEAL SIMPLE
Regresión Lineal simple: Interpretación de coeficientes Si b >0 , esto nos indica que al aumentar el valor
de X, también aumenta el valor de Y (promedio).

𝑦ො = 𝛽መ0 + 𝛽መ1 𝑋 Si b <0 , esto nos indica que al aumentar el valor de X, el


valor de Y disminuye (promedio).

El coeficiente de regresión: es el cambio (aumento o disminución) en promedio en Y cuando X varía en una unidad.

Supuestos Regresión Lineal:

 Supuesto de Linealidad
Existe linealidad si se presenta una relación significativa entre la variable que se quiere predecir y las otras variables.
Puede usarse el coeficiente "R cuadrado ajustado", para saber si existe linealidad (mayor o igual a 0.7 suele ser "indicio"
de linealidad). El ANOVA es una prueba para saber la linealidad
 Los residuos tienen media 0.
 La varianza de los residuos no depende de xi (homocedasticidad)
 Los residuos son normales.
 Los residuos son aleatorios.

https://www.youtube.com/watch?v=QWLK9thmDI8 https://www.youtube.com/watch?v=r8lM3Zl0P54
REGRESIÓN LINEAL SIMPLE
Regresión Lineal simple:
Modelo de regresión lineal simple estimado
y
4 )
Y  ˆ0  ˆ1 x 𝑦ො = 𝛽መ0 + 𝛽መ1 𝑋
3 y = variable dependiente
Donde: X = variable independiente
2
ˆ1  pendiente
Cálculo de coeficientes práctico
1
𝒏σ𝑿𝒀 − σ𝑿σ𝒀
0 Paso1: ෡𝟏 =
𝜷
1 2 3 4 X 𝒏 σ 𝑿2 − σ 𝑿 2
ˆ0  ordenada al origen
σ 𝒀 − ෡𝟏 σ 𝑿
𝜷
Paso2: 𝜷
෡𝟎 =
Para estimar la recta de regresión utilizaremos el método de mínimos cuadrados.
𝒏
Este método consiste en minimizar la suma de los cuadrados de los errores:
REGRESIÓN LINEAL SIMPLE
Ejercicio:
La Propina que se le otorga a un mozo en un restaurante depende de muchos factores, por ejemplo la
cordialidad del personal, Tipo de ambiente, Satisfacción por el servicio, etc.
En el siguiente cuadro se tiene la cantidad de propina (s/.) que los clientes de un restaurant dan a los
mozos en función al tiempo en que se demora en servir una orden(minutos).

Propina(S/) 1 3 3 2 6 1 2 3 4
Tiempo de Atención
(minutos)
3 2 2 4 1 4 3 2 2

a) Identifique las variables de Interés y clasifique cada uno de ellos ¿Cómo se relacionan ambas variables?
b) Estime el modelo de Regresión lineal estimada
c) Pronosticar: ¿Cuánto en Promedio recibirá de propina un mozo que se ha demorado en atender 3.5 minutos?
REGRESIÓN LINEAL SIMPLE
Solución a.
Las variables de Interés
 Variable Independiente: Tiempo de Atención( minutos )(X)
 Variable dependiente: Propina (s/) (Y)

7
6
La propina que se otorga a un
5
mozo depende del tiempo de
Gráfica de 4 atención en servir el orden.
Propina

dispersión
3
Relación inversa
2
1
0
0 1 2 3 4 5
Tiempo
REGRESIÓN LINEAL SIMPLE
Solución b. Modelo de Regresión Estimada 𝑦ො = 𝛽መ0 + 𝛽መ1 𝑥

Pr𝑜𝑝 𝑖𝑛𝑎 = 𝛽መ0 + 𝛽መ1 𝑇𝑖𝑒𝑚𝑝𝑜
Y (propina) X (tiempo) 𝑋2 𝑌2 𝑋𝑌
1 3 9 1 3
Paso1
3 2 4 9 6
3 2 4 9 6 𝒏σ𝑿𝒀 − σ𝑿σ𝒀
2 4 16 4 8 ෡𝟏 =
𝜷
𝒏 σ 𝑿2 − σ 𝑿 2
6 1 1 36 6
1 4 16 1 4
9 ∗ 53 − 23 ∗ 25
2 3 9 4 6 ෡𝟏 =
𝜷 = −1.32
9 ∗ 67 − 23 2
3 2 4 9 6
4 2 4 16 8
σ 𝑌 = 25 σ 𝑋 =23 σ 𝑋 2 =67 σ 𝑌 2 =89 σ 𝑋𝑌 =53
REGRESIÓN LINEAL SIMPLE
σ 𝑌 = 25 σ 𝑋 =23 σ 𝑋 2 =67 σ 𝑌 2 =89 σ 𝑋𝑌 =53

Paso2: ෡ 𝟏 σ 𝑿 𝟐𝟓 − −𝟏, 𝟑𝟐 ∗ 𝟐𝟑
σ𝒀 − 𝜷
෡𝟎 =
𝜷 = ෡ 𝟎 = 𝟔. 𝟏𝟓
𝜷
𝒏 𝟗
Modelo de Regresión Estimada

Pr𝑜𝑝 𝑖𝑛𝑎 = 6.15 − 1.32𝑇𝑖𝑒𝑚𝑝𝑜

Solución C: Pronóstico de la propina cuando el tiempo de atención es 3.5 minutos



Pr𝑜𝑝 𝑖𝑛𝑎 = 6.15 − 1.32𝑇𝑖𝑒𝑚𝑝𝑜
¿Cómo se interpreta 𝜷𝟏 ?

Pr𝑜𝑝 𝑖𝑛𝑎 = 6.15 − 1.32 3.5 Cuando el tiempo de atención se

Pr𝑜𝑝 𝑖𝑛𝑎 = 1.53 soles incrementa en un minuto la
propina disminuye en 1.32 soles
REGRESIÓN LINEAL SIMPLE

Pr𝑜𝑝 𝑖𝑛𝑎 = 6.16 − 1.324𝑇𝑖𝑒𝑚𝑝𝑜
7
Resumen
Y (propina) X (tiempo)
Gráfica de
6 R² = 0.7374
1 3 dispersión 5
3 2 y = 6.16 - 1.3243x
4

Propina
3 2
2 4 3
6 1
2
1 4
2 3 1

3 2 0
4 2 0 1 2 3 4 5
Tiempo
REGRESIÓN LINEAL SIMPLE
Resumen
Y (propina) X (tiempo) Comprueba tus resultados usando la calculadora!
1 3
3 2 https://www.youtube.com/watch?v=0qkh8NJroos
3 2
https://www.youtube.com/watch?v=4_WO31Dapv0
2 4
6 1
1 4 Recuerda interpretar el
2 3 coeficiente de regresión,
3 2
4 2
REGRESIÓN LINEAL SIMPLE
Ejercicio 2:
Se hace un estudio para determinar la relación entre el tiempo de uso (en años) de un grupo de
máquinas de una fábrica y las eficiencias de las mismas (%). Los datos se dan a continuación:

Tiempo de uso 2 4 11 9 4 6 7 8
Eficiencia 90 65 25 40 80 60 35 50

a) Identifique las variables de Interés y clasifique cada uno de ellos ¿Cómo se relacionan ambas variables?
b) Estime el modelo de Regresión lineal estimada
c) Pronosticar: ¿Cuánto en Promedio será la Eficiencia de una máquina que tiene un tiempo de uso de 5 años?
REGRESIÓN LINEAL SIMPLE
Solución a.
Las variables de Interés
 Variable Independiente: Tiempo de uso (en años)(X)
 Variable dependiente: Eficiencia (%) (Y)

La eficiencia de una maquina


depende de su tiempo de
Gráfica de uso.
dispersión
Relación inversa
REGRESIÓN LINEAL SIMPLE
Solución b. Modelo de Regresión Estimada 𝑦ො = 𝛽መ0 + 𝛽መ1 𝑥

𝐸𝑓𝑖𝑐𝑖𝑒𝑛𝑐𝑖𝑎 = 𝛽መ0 + 𝛽መ1 𝑇𝑖𝑒𝑚𝑝𝑜
Y (eficiencia) X (Tiempo) X2 Y2 XY
90 2 4 8100 180
65 4 16 4225 260 Paso1
25 11 121 625 275
𝒏σ𝑿𝒀 − σ𝑿σ𝒀
40 9 81 1600 360 ෡𝟏 =
𝜷
80 4 16 6400 320 𝒏 σ 𝑿2 − σ 𝑿 2
60 6 36 3600 360
8 ∗ 2400 − 51 ∗ 445
35 7 49 1225 245 ෡𝟏 =
𝜷 = −7.06
8 ∗ 387 − 51 2
50 8 64 2500 400

෍ 𝑌 = 445 ෍ 𝑋 = 51 ෍ 𝑋 2 = 387 ෍ 𝑌 2 = 28275 ෍ 𝑋𝑌 = 2400


REGRESIÓN LINEAL SIMPLE
σ 𝑌 = 445 σ 𝑋 = 51 σ 𝑋 2 =387 σ 𝑌 2 =28275 σ 𝑋𝑌 =2400

Paso2: ෡ 𝟏 σ 𝑿 𝟒𝟒 − −𝟕. 𝟎𝟔 ∗ 𝟓𝟏
σ𝒀 − 𝜷
෡𝟎 =
𝜷 = ෡ 𝟎 = 𝟏𝟎𝟎. 𝟔𝟑
𝜷
𝒏 𝟖
Modelo de Regresión Estimada

𝐸𝑓𝑖𝑐𝑖𝑒𝑛𝑐𝑖𝑎 = 100.63 − 7.06𝑇𝑖𝑒𝑚𝑝𝑜

Solución C: Pronóstico de la Eficiencia de una máquina cuando su tiempo de uso es de 5


años ⌢
𝐸𝑓𝑖𝑐𝑖𝑒𝑛𝑐𝑖𝑎 = 100.63 − 7.06𝑇𝑖𝑒𝑚𝑝𝑜
¿Cómo se interpreta 𝜷𝟏 ?

𝐸𝑓𝑖𝑐𝑖𝑒𝑛𝑐𝑖𝑎 = 100.63 − 7.06 5 Cuando el tiempo de atención se
⌢ incrementa en un minuto el
𝐸𝑓𝑖𝑐𝑖𝑒𝑛𝑐𝑖𝑎 = 65.33 % de eficiencia porcentaje de la eficiencia
disminuye en 7.06 %
EJERCICIO ADICIONAL
La compresión de un resorte depende de la fuerza con que se aplique
a aquel según los valores del siguiente cuadro.
Fuerza (Newton) 1 0 2 3 4 2 3 4
Compresión (cm) 2 1 2 2 3 2 1 1

a) Identifique las variables de Interés y clasifique cada uno de ellos ¿Cómo se


relacionan ambas variables?
b) Estime el modelo de Regresión lineal simple estimado
c) Pronosticar: ¿Cuánto en Promedio se comprimirá un resorte al cual se le
aplicó una fuerza de 3.5 Newton?
CIERRE (15 min)
Principio pedagógico: Aprendizaje autónomo.

Actividad:
El estudiante responde en el chat sobre 2 principales preguntas del
docente sobre su aprendizaje en la clase de hoy.

Cierre
CIERRE
¿QUÉ HEMOS APRENDIDO?

1. ¿Cuándo se usa la regresión lineal y que


supuestos debe cumplir?
2. ¿Cómo se interpreta el coeficiente de una
regresión lineal?
"Detrás de cada línea de llegada, hay una de
partida.
Detrás de cada logro, hay otro desafío.
Mientras estés vivo, siéntete vivo.
Si extrañas lo que hacías, vuelve a hacerlo.
Sigue, aunque todos esperen que abandones.
No dejes que se oxide el hierro que hay en ti.
Haz que en vez de lástima, te tengan respeto.
Cuando por los años no puedas correr, trota.
Cuando no puedas trotar, camina.
Cuando no puedas caminar, usa el bastón.
Pero, nunca te detengas"...

38

También podría gustarte