Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

Regresion Lineal

No description
by

Mishu Anrango

on 10 June 2014

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of Regresion Lineal

Regresión Lineal
Es un método que nos permite observar la relación presente entre dos o más variables permitiendo explorar y cuantificar la relación entre una variable dependiente o criterio y una variable Independiente o predictora, lo que así mismo permite crear una ecuación lineal cuyo objetivo es predecir los factores estudiados.
Gauss propuso el método de mínimos cuadrados en 1809, para obtener los valores del intercepto y de la pendiente que mejor se ajustan a los datos. El método consiste en minimizar la suma de los cuadrados de las distancias verticales entre los datos y las estimaciones, en otras palabras minimizan la suma de los residuos al cuadrado.
Mínimos cuadrados
La regresión es lineal cuando el modelo función de regresión seleccionado es una recta.
En cualquier otro caso se dice regresión no lineal.
El modelo de regresión lineal
La estructura del modelo de regresión lineal es la siguiente:
yi = β0 + β1xi + ui
Un modelo de regresión es un modelo que permite describir como influye una variable X sobre otra variable Y .

X: Variable independiente o explicativa
Y: Variable dependiente o respuesta

El objetivo es obtener estimaciones razonables de Y para distintos valores de X a partir de una muestra de n pares de valores (x1,y1), . . . ,(xn,yn).
Conocido el valor de X, el valor de Y queda perfectamente establecido. Son del tipo:
y = f (x)
Ejemplo: La relación existente entre la temperatura en grados
centígrados (X) y grados Fahrenheit (Y ) es:
y = 1,8x + 32

Determinista
Conocido el valor de X, el valor de Y no queda perfectamente establecido. Son del tipo:
y = f (x) + u
donde u es una perturbación desconocida (variable aleatoria).
Ejemplo: Se tiene una muestra del volumen de producción (X) y el costo total (Y ) asociado a un producto en un grupo de empresas.

No determinista
Cuando la función f (x) es lineal,
f (x) = β0 + β1x
Si β1 > 0 hay relación lineal positiva.
Si β1 < 0 hay relación lineal negativa.

Lineal
No lineal
No lineal: Cuando la funcion f (x) no es lineal. Por ejemplo,
f (x) = log(x), f (x) = x ^2 + 3, . . .
Cuando f (x) = 0.
Ausencia de relación
El objetivo es obtener estimaciones βˆ0 y βˆ1 de β0 y β1 para calcular la recta de regresión: yˆ = βˆ0 + βˆ1x
que se ajuste lo mejor posible a los datos.
Ejemplo: Supongamos que la recta de regresión del ejemplo anterior es:
Costo = −15,65 + 1,29 Volumen
El modelo de regresión lineal simple
Se estima que una empresa que produce 25 mil unidades tendra un costo:
costo = −15,65 + 1,29 × 25 = 16,6 mil euros
Ejercicio
Los datos de la producción de trigo en toneladas (X) y el precio del kilo de harina en pesetas (Y ) en la década de los 80 en España fueron:
Tipos de relación
Mishell Anrango
Natasha Guilcapi

Grupo 6
Full transcript