Professional Documents
Culture Documents
Asignatura: Estadística I.
Tema: Regresiones.
Nrc: 1158.
REGRESIONES
LINEAL
Para otros usos de este término, véase Función lineal (desambiguación).
Ejemplo de una regresión lineal con una variable dependiente y una variable independiente.
En estadística la regresión lineal o ajuste lineal es un modelo matemático usado para aproximar la
relación de dependencia entre una variable dependiente Y, las variables independientes Xi y un
término aleatorio ε. Este modelo puede ser expresado como:
Donde:
Historia
La primera forma de regresión lineal documentada fue el método de los mínimos cuadrados que
fue publicada por Legendre en 1805, Gauss publicó un trabajo en donde desarrollaba de manera
más profunda el método de los mínimos cuadrados,y en dónde se incluía una versión del teorema
de Gauss-Márkov.
Pero bien, como se ha dicho, se puede usar el término lineal para distinguir modelos basados en
cualquier clase de aplicación.
1. Esperanza matemática nula: Para cada valor de X la perturbación tomará distintos valores
de forma aleatoria, pero no tomará sistemáticamente valores positivos o negativos, sino
que se supone tomará algunos valores mayores que cero y otros menores que cero, de tal
forma que su valor esperado sea cero.
2. Homocedasticidad: para todo t. Todos los términos de la perturbación tienen la misma
varianza que es desconocida. La dispersión de cada en torno a su valor esperado es
siempre la misma.
3. Incorreción o independencia: para todo t,s con t distinto de s. Las covarianzas entre las
distintas pertubaciones son nulas, lo que quiere decir que no están correlacionadas. Esto
implica que el valor de la perturbación para cualquier observación muestral no viene
influenciado por los valores de las perturbaciones correspondientes a otras observaciones
muestrales.
4. Regresores estocásticos.
5. Independencia lineal. No existen relaciones lineales exactas entre los regresores.
6. . Suponemos que no existen errores de especificación en el modelo, ni errores de medida
en las variables explicativas.
7. Normalidad de las perturbaciones:
Supuestos del modelo de regresión lineal
Para poder crear un modelo de regresión lineal es necesario que se cumpla con los siguientes
supuestos:
La potencia predictiva relativa de un modelo exponencial está denotada por R 2. El valor de R 2 varía
entre 0 y 1. Mientras más cercano el valor esté de 1, más preciso será el modelo.
CUADRATICA
Una regresión cuadrática es el proceso de encontrar la ecuación de la parábola que mejor se
ajuste para un conjunto de datos. Como resultado, obtenemos una ecuación de la forma
Donde .
La potencia predictiva relativa de un modelo cuadrático está denotada por R 2. El valor de R 2 varía
entre 0 y 1. Mientras más cercano el valor esté de 1, más preciso será el modelo.
LOGARÍTMICA
POLINOMIAL
Algunas veces cuando la relación entre las variables dependientes e independientes es no lineal,
es útil incluir términos polinomiales para ayudar a explicar la variación de nuestra variable
dependiente.
Las regresiones polinomiales se pueden ajustar la variable independiente con varios términos.
Que, derivando respecto a cada uno de los coeficientes nos da el planteamiento un sistema de
ecuaciones de la siguiente forma (donde m es el número de pares de datos):