1 of 23

ESTADISTICA INFERENCIAL

2 of 23

  • Actividad: Los estudiantes comparten con el docente las dudas que hubieran existido en la sesión anterior.
  • El estudiante responde con atención sobre los conocimientos que tiene sobre el Análisis de los Componentes de Variabilidad del Modelo de Regresión?

Inicio

INICIO (10min)

3 of 23

SABERES PREVIOS

ANALISIS DE REGRESION LINEAL

Conoces para que sirve el Análisis de la Varianza en un Modelo de Regresión ?

4 of 23

  • Actividad: El estudiante escucha el logro de la sesión.

Utilidad

UTILIDAD (5min)

Principio pedagógico: Aprendizaje Autónomo

5 of 23

LOGRO DE SESION

Al finalizar la sesión los estudiantes aplican los conceptos de análisis de varianza para poder analizar el modelo de regresión estimado con el fin de poder aplicarlo en situaciones del campo de la ingeniería y las ciencias.

6 of 23

  • Actividad: A continuación el estudiante va revisar los conceptos básicos correspondientes a Análisis de Varianza del Modelo de Regresión Lineal estimado, y se van a resolver ejercicios para poder desarrollar los conceptos revisados en clase.

Transformación

TRANSFORMACIÓN (60 min)

Principio pedagógico: Aprendizaje autónomo y Aprendizaje colaborativo.

7 of 23

REGRESIÓN LINEAL SIMPLE

Análisis de varianza

Consiste en descomponer la variabilidad de la variable dependiente (Y) en variabilidad explicada por el modelo (Regresión) más variabilidad no explicada (error). Bajo la hipótesis de que existe una relación lineal entre la variable respuesta y la regresora, se quiere realizar el siguiente contraste de hipótesis.

 

 

(El modelo no es significativo)

(El modelo si es significativo)

8 of 23

REGRESIÓN LINEAL SIMPLE

 

9 of 23

REGRESIÓN LINEAL SIMPLE

Residuos

En un modelo de regresión, los residuos o errores son las diferencias entre los verdaderos valores que toma la variable dependiente y los valores estimados. Se calculan por tanto mediante:

 

 

Suma de cuadrados explicado Regresión (SCR)

acumula la parte de la variabilidad de la variable dependiente que consigue explicar el modelo.

 

Suma de cuadrados de los residuos o errores (SCE)

 

acumula la variabilidad de la variable dependiente que no conseguimos explicar con el modelo

Suma cuadrados Total (SCT)

 

permite medir la variabilidad total de la variable dependiente (Y)

10 of 23

REGRESIÓN LINEAL SIMPLE

 

 

11 of 23

REGRESIÓN LINEAL SIMPLE

Fuente de Variación

GL

SC

CM

Fc

Ftab

Regresión

1

Residual (Error)

n-2

Total

n-1

 

 

 

 

Estadístico de prueba

 

 

 

Cuadro ANOVA

 

 

 

 

Decisión

Paso1:

Paso2:

Paso3:

12 of 23

REGRESIÓN LINEAL SIMPLE

Activo Total (millones $)

22

18

14

8

26

10

16

19

20

7

Rentabilidad (%)

29.3

17.6

16

9.5

22.6

12.4

18.5

21.4

18.2

12.5

Se cuenta con información de una muestra de 10 fondos de inversión, respecto a su rentabilidad porcentual para un periodo de doce meses y el activo total (en millones $). Los datos se presentan en la siguiente tabla.

Pruebe con un nivel de significancia de 5%, si existe la relación lineal entre el activo total y la rentabilidad (Anva).

Calcula los coeficiente de manera rápida!

Solución:

Trabajemos con 2 decimales!!

 

Ejercicio

13 of 23

REGRESIÓN LINEAL SIMPLE

x

22

29.3

22.64

23.43

44.36

18

17.6

19.44

2.69

3.39

14

16

16.24

2.43

0.06

8

9.5

11.44

40.45

3.76

26

22.6

25.84

64.64

10.5

10

12.4

13.04

22.66

0.41

16

18.5

17.84

0

0.44

19

21.4

20.24

5.95

1.35

20

18.2

21.04

10.5

8.07

7

12.5

10.64

51.27

3.46

 

 

Promedio

 

 

Solución

14 of 23

REGRESIÓN LINEAL SIMPLE

Fuente de Variación

GL

SC

CM

Fc

Ftab

Regresión

1

224.02

23.63

5.318

Residual (Error)

8

9.48

 

 

Total

9

 

 

 

 

 

 

 

 

Estadístico

de prueba

Valor

tabla F

 

 

Paso1:

Paso2:

Cuadro ANOVA

15 of 23

REGRESIÓN LINEAL SIMPLE

Región Crítica

 

 

 

 

Conclusión: Con un nivel de significancia del 5% se rechaza la Hipótesis nula. Por lo tanto se concluye que si existe relación lineal entre activo total y las rentabilidad.

 

Paso3:

Paso4:

16 of 23

REGRESIÓN LINEAL SIMPLE

Compruebe sus resultados con el Microsoft Excel!!

Gráfica de dispersión y modelo de regresión

Modelo de regresión y Anova

Nota: El valor crítico de F es el P-valor

17 of 23

INFORMACIÓN ADICIONAL

Software Estadístico y el P-value

Un valor p oscila entre 0 y 1. El valor p es una probabilidad que mide la evidencia en contra de la hipótesis nula. Las probabilidades más bajas proporcionan una evidencia más fuerte en contra de la hipótesis nula.

 

 

“En años recientes, debido a la disponibilidad de los programas de cómputo (software), se proporciona con frecuencia información adicional relativa a la fuerza del rechazo”

18 of 23

INFORMACIÓN ADICIONAL

Ejemplo

Se rechaza Hipótesis nula

19 of 23

ESTIMACION DE LA VARIANZA

Para estimar la varianza de los errores, σ^2 , podemos utilizar:

que es el estimador máximo verosímil de σ^2, pero es un estimador sesgado.

Un estimador insesgado de σ^2 es la varianza residual,

20 of 23

ESTIMACION DE LA VARIANZA

Activo Total (millones $)

22

18

14

8

26

10

16

19

20

7

Rentabilidad (%)

29.3

17.6

16

9.5

22.6

12.4

18.5

21.4

18.2

12.5

Calcular la varianza residual con los datos del ejercicio anterior.

 

Ejercicio

21 of 23

ESTIMACION DE LA VARIANZA

 

Solución:

Xi

22

18

14

8

26

10

16

19

20

7

Yi

29.3

17.6

16

9.5

22.6

12.4

18.5

21.4

18.2

12.5

22.64

19.44

16.24

11.44

25.84

13.04

17.84

20.24

21.04

10.64

6.66

-1.84

-0.24

-1.94

-3.24

-0.64

0.66

1.16

-2.84

1.86

La varianza residual es:

 

22 of 23

Actividad:

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

CIERRE (15 min)

Principio pedagógico: Aprendizaje autónomo.

Cierre

23 of 23

CIERRE

¿QUÉ HEMOS APRENDIDO?

  1. ¿Cómo se prueba si existe linealidad entre X e Y?

  • ¿Qué distribución se usa para realizar el cuadro Anova?