MODELOS ESTADÍSTICOS

ANÁLISIS DE REGRESIÓN LINEAL SIMPLE

Elaboró
Quím. Francisco Partida Hernández
Profesor del Área de Probabilidad y Estadística
Instituto Tecnológico de Puebla
Análisis de regresión lineal simple Modelos estadísticos

REGRESIÓN LINEAL SIMPLE

CONCEPTO MODELO ESTADÍSTICO NOTACIÓN

Y = variable dependiente o de respuesta.

MODELO DE REGRESIÓN X = variable independiente o regresora.
LINEAL SIMPLE Y  0  1 X    0 y  = parámetros o coeficientes del
Ecuación de regresión poblacional
modelo lineal de regresión poblacional
 i = error aleatorio en el ajuste del modelo
ECUACIÓN DE REGRESIÓN yˆ i = estimador puntual que predice la
LINEAL AJUSTADA yˆi  a  bxi   i
ecuación para yi , en función de un valor x
Ecuación de estimación
específico.
a y b = estadísticos estimadores de los
ECUACIONES NORMALES I.  y  na  b x parámetros o coeficientes  0 , 1
Por el método de mínimos cuadrados II .  xy  a x  b x 2 a =ordenada Y .
b = pendiente de la ecuación

CÁLCULO DE LOS ESTADÍSTICOS DE REGRESIÓN a Y b

MEDIANTE EL DESPEJE SIMULTÁNEO DE a Y b , EN LAS DOS ECUACIONES NORMALES

CONCEPTO MODELO ESTADÍSTICO NOTACIÓN

  y    x     x   x y 
2 a y b = estadísticos estimadores de los
CÁLCULO DEL ESTADÍSTICO a . parámetros o coeficientes  0 , 1
a 
i i i i i

n  x    x 
(intersección de la recta de regresión
 y = suma de todos los valores de y
2 2
i
de mejor ajuste). i i
 x = suma de todos los valores de x
i

 y  b x  x y = cada valor de x se multiplica por

i i

a i i
su valor par de y , y después de obtener
n todos esos productos, se calcula su suma.

 x y   n
xi yi  xi2 = cada valor de x se eleva al cuadrado
CÁLCULO DEL ESTADÍSTICO b i i y después se suman esos cuadrados.
b
(pendiente de la recta de regresión de
 x    xi  = la suma de todos los valores de x
2
2

x  n
mejor ajuste). 2 i
i
se eleva al cuadrado.
n = número de pares de datos presentes.

Elaboró: QUÍM. FRANCISCO PARTIDA HERNÁNDEZ Profesor del Área de Probabilidad y estadística del I.T.P.
Análisis de regresión lineal simple Modelos estadísticos

CÁLCULO DE LAS SUMAS DE CUADRADOS EN EL ANÁLISIS DE REGRESIÓN

CONCEPTO MODELO ESTADÍSTICO NOTACIÓN

SCxx    xi  x 
2

2
SUMA DE CUADRADOS,  n  SCxx = suma de cuadrados de diferencias
SCxx .   xi  entre cada observación xi respecto de x .
SCxx   xi   i 1 
n
2
SCxy = suma de diferencias xi respecto a x ,
i 1 n
por las diferencias de yi respecto a y .
SCyy  SCT = suma de cuadrados de
SCxy    xi  x  yi  y 
diferencias entre cada observación yi
SUMA DE CUADRADOS, respecto de y .
 n  n 
  xi   yi 
SCxy . SCT  SC yy = Suma de cuadrados totales.

SCxy   xi yi   i 1  i 1 
n
y = media aritmética de los valores en y .
i 1 n x = media aritmética de los valores en x .
n = número de pares de datos presentes

SCT  SC yy    yi  y 
SUMA DE CUADRADOS 2

TOTALES, SCT .

CÁLCULO DE LOS ESTADÍSTICOS DE REGRESIÓN a Y b

MEDIANTE EL USO DE PROMEDIOS Y DE SUMAS DE CUADRADOS

CONCEPTO MODELO ESTADÍSTICO NOTACIÓN

CÁLCULO DEL ESTADÍSTICO a . SCxx = suma de cuadrados de diferencias

(intersección de la recta de regresión a  y  bx entre cada observación xi respecto de x .
de mejor ajuste).
SCxy = suma de diferencias xi respecto a x ,
CÁLCULO DEL ESTADÍSTICO b b
SCxy

  x  x  y  y 
i i por las diferencias de yi respecto a y .
 x  x 
2
(pendiente de la recta de regresión de SCxx y = media aritmética de los valores en y .
mejor ajuste). x = media aritmética de los valores en x .

Elaboró: QUÍM. FRANCISCO PARTIDA HERNÁNDEZ Profesor del Área de Probabilidad y estadística del I.T.P.
Análisis de regresión lineal simple Modelos estadísticos

ANÁLISIS DE VARIANZA DEL MODELO DE REGRESIÓN

CONCEPTO MODELO ESTADÍSTICO NOTACIÓN

DESCOMPOSICIÓN DE LA Variación total  Var. exp licada  Var. no exp licada

VARIABILIDAD TOTAL DE y yi = valor muestral observado.

  y  y     yˆ  y     y  yˆ 
(ANOVA en la regresión) 2 2 2
i i i i
y = media de los valores yi .
yˆ i = valor predicho de yi en función de un
SUMAS DE CUADRADOS EN EL
ANÁLISIS DE REGRESIÓN SCT  SCR  SCE valor x específico.
SCxy = suma de diferencias xi respecto a x ,
Grados de libertad (gl) n 1 = 1 + n  2 por las diferencias de yi respecto a y .
SCyy  SCT = suma de cuadrados de
n diferencias entre cada observación yi
SCT  SC yy    yi  y 
2
respecto de y .
i 1
SCT  SC yy = Suma de cuadrados totales.
SUMA DE CUADRADOS
TOTALES, SCT . SCT   y  ny 2 2 SCR = suma de cuadrados debida a la
regresión (variación explicada).
Variación total.
SCE = suma de cuadrados debida al error
 y 
2
(variación no explicada).
SCT   yi2 
i
n = número de pares de datos presentes
n
 xi = suma de todos los valores de x
n y = suma de todos los valores de y
SCR    yˆi  y 
2 i

x yi i = cada valor de x se multiplica por

i 1
su valor de y correspondiente y después de
obtener todos esos productos, se calcula su
SUMA DE CUADRADOS DE LA SCR  b1  SCxy suma
 xi2 = cada valor de x se eleva al cuadrado
REGRESIÓN, SCR .
y después se suman esos cuadrados
  xi   yi  
2
Variación explicada por la recta de   x
2

  xi yi 
regresión. = la suma de todos los valores de x

 n  se eleva al cuadrado.
SCR   b1 = pendiente de la ecuación
  xi 
2

i x 2

n

Elaboró: QUÍM. FRANCISCO PARTIDA HERNÁNDEZ Profesor del Área de Probabilidad y estadística del I.T.P.
Análisis de regresión lineal simple Modelos estadísticos

Continúa: ANÁLISIS DE VARIANZA DEL MODELO DE REGRESIÓN

CONCEPTO MODELO ESTADÍSTICO NOTACIÓN

n SCE = suma de cuadrados debida al error
SCE    yi  yˆi 
2
(variación no explicada).
i 1
yi = valor muestral observado
yˆ i = valor predicho de yi en función de un
SUMA DE CUADRADOS DEL SCE  SCyy  b1  SCxy
ERROR, SCE . valor x específico.
Variación no explicada por la recta de  i y 2
= cada valor de y se eleva al cuadrado
regresión. SCE  SCT  b1  SCxy y después se suman esos cuadrados
a =ordenada Y .

SCE   yi2  a yi  b xi yi  i y = suma de todos los valores de y

b = pendiente de la ecuación
 i i cada valor de x se multiplica por
x y =
su valor de y correspondiente y después de
Var. exp licada   yˆi  y 
2
CUADRADOS MEDIOS DE LA SCR obtener todos esos productos, se calcula su
REGRESIÓN, CMR . CMR    suma
1 1 1 SCxy = suma de diferencias xi respecto a x ,
por las diferencias de yi respecto a y .
SCyy  SCT = suma de cuadrados de
diferencias entre cada observación yi
respecto de y .
Var. no exp licada   yi  yˆi 
2
CUADRADOS MEDIOS DEL SCE CMR = cuadrado medio debido a la
ERROR, CME . CME    regresión
n2 n2 n2 y = media de los valores yi .
SCR = suma de cuadrados debida a la
regresión (variación explicada).
CME = cuadrado medio del error.

  y  yˆ 
2
DESVIACIÓN ESTÁNDAR DE SCE
REGRESIÓN. s i i

n2 n2

Elaboró: QUÍM. FRANCISCO PARTIDA HERNÁNDEZ Profesor del Área de Probabilidad y estadística del I.T.P.
Análisis de regresión lineal simple Modelos estadísticos

TABLA DEL ANÁLISIS DE VARIANZA PARA EL MODELO DE REGRESIÓN LINEAL SIMPLE

FUENTE DE GRADOS DE SUMA DE

VARIACIÓN LIBERTAD CUADRADOS
CUADRADO MEDIO Fcal

REGRESIÓN 1 SCR CMR CMR

Fcal 
CME

ERROR O RESIDUAL n2 SCE CME

TOTAL n 1 SCT

ESTIMACIÓN DE PARÁMETROS DE REGRESIÓN

CONCEPTO MODELO ESTADÍSTICO NOTACIÓN

ˆ1  t 2, n2  sb 1
INTERVALO DE CONFIANZA
100 1    % , PARA 1 (pendiente Grados de libertad,   n  2
de la recta de regresión).
s
sb1 
SCxx
0  t 2; n2  sb 0
INTERVALO DE CONFIANZA Grados de libertad,   n  2
100 1    % , PARA  0
x
(intersección de la recta de regresión). 2 i
sb0  s i
n  SCxx
ˆ1  b = estimador del parámetro 
t 2; = valor correspondiente de la
distribución t con  grados de libertad
sb1 = desviación estándar estimada de b1 .
s = desviación estándar de regresión.
a = estadístico estimador del parámetro 0
SCxx = suma de cuadrados de diferencias
entre cada observación xi respecto de x .
s0  sa = desviación std. estimada de a
x =media aritmética de los valores en x.
 2 = s =error estándar de la estimación.
x 2
= cada valor de x se eleva al cuadrado
y después se suman esos cuadrados
n = número de pares de datos presentes

Elaboró: QUÍM. FRANCISCO PARTIDA HERNÁNDEZ Profesor del Área de Probabilidad y estadística del I.T.P.
Análisis de regresión lineal simple Modelos estadísticos

PRUEBAS DE HIPÓTESIS CON LA DISTRIBUCIÓN "tstudent " EN LA REGRESIÓN LINEAL SIMPLE

CONCEPTO MODELO ESTADÍSTICO NOTACIÓN

1 = coeficiente de regresión para la

PRUEBA DE HIPÓTESIS PARA pendiente
EL PARÁMETRO 1 H 0 : 1  0 t 2; = valor correspondiente de la
(Pendiente de la línea de regresión). distribución t con  grados de libertad
“No existe relación lineal significativa entre X y Y
b = valor de la pendiente muestral
H1 : 1  0
1.Contraste de hipótesis tcal = Estadístico para la prueba de
“Existe relación lineal significativa entre XyY”
hipótesis sobre la pendiente b1 de la recta
de regresión.
Rechazar H 0 si t cal   t / 2 ó si t  t / 2 ” sb1 = Error estándar de la distribución
2. Criterio de decisión En donde t / 2 se basa en una distribución t con n2
muestral de la pendiente b1 de la recta de
grados de libertad
regresión.
s = desviación std. de la regresión.
b   H0 b SSR
SCxx = suma de cuadrados de diferencias
tcal   o también tcal  entre cada observación xi respecto de x .
3. Cálculo del estadístico de prueba sb1 sb1 s
x 2
= cada valor de x se eleva al cuadrado
donde y después se suman esos cuadrados
 x
2
= la suma de todos los valores de x
s s s
sb1    se eleva al cuadrado
 x  x   x 
2 2
SCxx n = número de pares de datos presentes
x 
i 2 i
i x1 = valor de la variable explicativa,
n predictora o independiente

  y  yˆ  x =media aritmética de los valores en x.

4. Conclusión de la prueba
Elaboró: QUÍM. FRANCISCO PARTIDA HERNÁNDEZ
2
SCE
y s
i i
  y = suma de todos los valores de y
n2 n2 y 2
=cada valor de y se eleva al cuadrado
y después se suman esos cuadrados
Si se rechaza , esto implica que es de valor  xy = cada valor de x se multiplica por su
para explicar la variabilidad de Y lo que significaría que valor de y correspondiente y después de
el modelo lineal es adecuado o bien que, aun cuando obtener todos esos productos, se calcula su
hay un efecto lineal de , podrían obtenerse mejores suma
yi = valor observado de y
resultados con la adición de términos polinómicos en
de orden superior. yˆ i = estimador puntual de y para un
determinado valor de x .
Profesor del Área de Probabilidad y estadística del I.T.P.
Análisis de regresión lineal simple Modelos estadísticos

Continúa. PRUEBAS DE HIPÓTESIS DENTRO DEL ANÁLISIS DE REGRESIÓN LINEAL SIMPLE

CONCEPTO MODELO ESTADÍSTICO NOTACIÓN

PRUEBA DE HIPÓTESIS PARA

EL PARÁMETRO  0 (coeficiente
al origen).

1. Contraste de hipótesis H 0 : 0  0
H1 : 0  0

2. Criterio de decisión Rechazar H 0 si t cal   t / 2 ó si t  t / 2 ” = ordenada al origen de la línea

En donde t / 2 se basa en una distribución t con n2 de regresión estimada.
grados de libertad  0 = ordenada al origen en el modelo
general de regresión.
=
t 2; valor correspondiente de la
a   H0
3. Cálculo del estadístico de prueba tcal  distribución t con   n  2 grados de
x 2
i
libertad
s
n  SCxx i
x 2
= cada valor de x se eleva al cuadrado
y después se suman esos cuadrados
 x 
2
i = la suma de todos los valores de x
donde
se eleva al cuadrado
n = número de pares de datos presentes
SCxx    xi  x 
2
SCxx = suma de cuadrados de diferencias

 x  entre cada observación xi respecto de x .

2

SCxx   x 
2 i
i
n

4. Conclusión de la prueba Si se rechaza , esto implica que es de valor

para explicar la variabilidad de Y lo que significaría que
el modelo lineal es adecuado o bien que, aun cuando
hay un efecto lineal de , podrían obtenerse mejores
resultados con la adición de términos polinómicos en
de orden superior.

Elaboró: QUÍM. FRANCISCO PARTIDA HERNÁNDEZ Profesor del Área de Probabilidad y estadística del I.T.P.
Análisis de regresión lineal simple Modelos estadísticos

Continúa. PRUEBAS DE HIPÓTESIS DENTRO DEL ANÁLISIS DE REGRESIÓN LINEAL SIMPLE

CONCEPTO MODELO ESTADÍSTICO NOTACIÓN

PRUEBA DE HIPÓTESIS PARA

EL COEFICIENTE DE
CORRELACIÓN DE PEARSON,
 (RHO).
Este contraste es equivalente al contraste
para la pendiente, 1 .
H0 :   0
1.Contraste de hipótesis “Las variables X y Y no están significativamente
correlacionadas”  =coeficiente de correlación lineal de una
H1 :   0 población (rho).
“Las variables X y Y están significativamente r = coeficiente de correlación lineal de la
correlacionadas” muestra
r 2 =coeficiente de determinación de la
muestra
Rechazar H 0 si t cal   t / 2 ó si t  t / 2 ”
t 2; = valor correspondiente de la
2. Criterio de decisión En donde t / 2 se basa en una distribución t con n2
distribución t con   n  2 grados de
grados de libertad
libertad
n = número de pares de datos presentes
SCR = suma de cuadrados debida a la
r n2 SCR regresión (variación explicada).
tcal   
3. Cálculo del estadístico de prueba 1 r 2 1 r 2
s s = desviación estándar de la regresión.

n2

Si se rechaza H0 se concluye que existe una correlación

4. Conclusión de la prueba lineal entre las variables.
Si no se rechaza H0, entonces no se tiene evidencia
suficiente para concluir que existe una correlación lineal
entre las dos variables.

Elaboró: QUÍM. FRANCISCO PARTIDA HERNÁNDEZ Profesor del Área de Probabilidad y estadística del I.T.P.
Análisis de regresión lineal simple Modelos estadísticos

PRUEBA DE HIPÓTESIS SOBRE LA PENDIENTE UTILIZANDO LA DISTRIBUCIÓN FISHER, "F ".

CONCEPTO MODELO ESTADÍSTICO NOTACIÓN

PRUEBA DE HIPÓTESIS PARA

EL PARÁMETRO 1
(Pendiente de la línea de regresión).

1. Contraste de hipótesis H 0 : 1  0
“No hay una relación lineal entre X y Y ”
H1 : 1  0
“Existe relación lineal significativa entre X y Y ”
1 = coeficiente o parámetro de regresión de
la pendiente.
F ; D , D = valor correspondiente de la
2. Criterio de decisión “ Rechazar H 0 si Fcal F ; D1 , D2 ” 1 2

distribución F con D1  1 y D2  n  2
En donde F se basa en una distribución F con D1  1
grados de libertad en el numerador y
en el numerador y D2  n  2 grados de libertad en el denominador, respectivamente.
denominador. Fcal = Estadístico de prueba para la prueba
de hipótesis sobre la pendiente de la recta de
regresión.
3. Cálculo del estadístico de prueba CMR CMR = cuadrado medio debido a la
Fcal  regresión
CME CME = cuadrado medio debido al error

4. Conclusión de la prueba No poder rechazar es equivalente a concluir

que la variación de Y resulta de fluctuaciones aleatorias
que son independientes de los valores de (el modelo
de regresión estimado no respalda la relación entre las
variables). Alternativamente, si se rechaza ,
se concluye que existe una cantidad significativa de
variación en la respuesta contabilizada por el modelo de
regresión estimado.

Elaboró: QUÍM. FRANCISCO PARTIDA HERNÁNDEZ Profesor del Área de Probabilidad y estadística del I.T.P.
Análisis de regresión lineal simple Modelos estadísticos

CALIDAD DEL AJUSTE EN REGRESIÓN LINEAL SIMPLE

CONCEPTO MODELO ESTADÍSTICO NOTACIÓN

r 2 = coeficiente de determinación lineal en

var iabilidad exp licada   yˆi  y 
2
la muestra.
r2   SCR = suma de cuadrados debida a la
  yi  y 
2
COEFICIENTE DE var iabilidad total regresión (variación explicada).
DETERMINACIÓN
2
SCT = suma de cuadrados totales
 SCxy 
MUESTRAL, r . 2
(variación total).
Proporción de la variabilidad de los SCR SCR
r 
2
  S xy =
datos Y , que es explicada por el SCT SC yy SCxx  SC yy
modelo. SCxx = suma de cuadrados de diferencias
entre cada observación xi respecto de x .
donde 0  r 2  1
SCyy  SCT = suma de cuadrados de
diferencias entre cada observación yi
CMT  CME CME
COEFICIENTE DE r 
2
aj  1 respecto de y .
CMT CMT CMT = cuadrado medio total
DETERMINACIÓN AJUSTADO,
CME = cuadrado medio debido al error
raj2 . SCT r = coeficiente de correlación lineal en la
donde CMT  muestra.
n 1
n = número de pares de datos presentes
 y = suma de todos los valores de y
 x = suma de todos los valores de x

SCxy  xy = cada valor de x se multiplica por su

r valor de y correspondiente y después de
SCxx  SC yy obtener todos esos productos, se calcula su
COEFICIENTE DE suma
CORRELACIÓN MUESTRAL, r .  x 2
= cada valor de x se eleva al cuadrado
  yˆ  y 
2
También se conoce como Coeficiente SCR y después se suman esos cuadrados
r i

 y  y   x
2
de correlación de producto-momento 2
SCT = la suma de todos los valores de x
de Pearson. i
se eleva al cuadrado
 y = suma de todos los valores de y
donde 1  r  1 y 2
=cada valor de y se eleva al cuadrado
y después se suman esos cuadrados

Elaboró: QUÍM. FRANCISCO PARTIDA HERNÁNDEZ Profesor del Área de Probabilidad y estadística del I.T.P.
Análisis de regresión lineal simple Modelos estadísticos

Continúa. CALIDAD DEL AJUSTE EN REGRESIÓN LINEAL SIMPLE

CONCEPTO MODELO ESTADÍSTICO NOTACIÓN

s 2  CME
s 2 = estimador muestral de la varianza  2 .
  y  yˆ 
2
CÁLCULO DE LA VARIANZA CME = cuadrado medio debido al error.
s2  i i
DE REGRESIÓN,  2 . n2
yi = valor muestral observado
yˆ i = valor predicho de yi
Mediante el estadístico, s 2 .

y  a yi  b xi yi
2 b = valor de la pendiente muestral
s 2
 i = ordenada al origen de la línea de
n2 regresión estimada.
n = número de pares de datos presentes
 yi = suma de todos los valores de y
y 2
i
=cada valor de y se eleva al cuadrado
s  CME y después se suman esos cuadrados
 xi yi = cada valor de x se multiplica por
su valor de y correspondiente y después de
  yi  yˆi 
2
SCE obtener todos esos productos, se calcula su
s  suma
CÁLCULO DE LA DESVIACIÓN n2 n2
ESTÁNDAR DE REGRESIÓN,  . s = estimador muestral de la desviación
estándar de regresión,  .
Mediante el estadístico, s .
(Magnitud del error de estimación del SC yy  b1  SCxy SCE = suma de cuadrados debida al error
s (variación no explicada).
modelo). n2 SCyy  SCT = variación total observada
(suma de cuadrados de diferencias entre

s
y 2
i  a  yi  b1  xi yi cada observación yi respecto de y ).

n2

ei = residual
RESIDUAL, ei . ei  yi  yˆi yi = valor muestral observado
yˆ i = valor predicho de yi

Elaboró: QUÍM. FRANCISCO PARTIDA HERNÁNDEZ Profesor del Área de Probabilidad y estadística del I.T.P.
Análisis de regresión lineal simple Modelos estadísticos

Continúa. CALIDAD DEL AJUSTE EN REGRESIÓN LINEAL SIMPLE

CONCEPTO MODELO ESTADÍSTICO NOTACIÓN

n n ei = residual
 ei2    yi  yˆi 
2
n

SUMA DEL CUADRADO DE LOS i 1 i 1 e

i 1
2
i = suma del cuadrado de los residuos

RESIDUOS n yi = valor muestral observado

e
i 1
2
i  var iación no exp licada yˆ i = valor predicho de yi

ESTIMACIÓN Y PREDICCIÓN DE NUEVAS OBSERVACIONES

CONCEPTO MODELO ESTADÍSTICO NOTACIÓN

MODELO GENERAL DE yˆ i = valor puntual ajustado con la ecuación

ESTIMACIÓN POR INTERVALOS Yˆi  t 2,    yˆi de regresión cuando x  x0 .
DE CONFIANZA t 2; = valor de t que se basa en
  n  2 grados de libertad.
 yˆ = Desviación estándar de la distribución
i

muestral de la recta de regresión para hacer

1 x  x
2 estimaciones
 yˆi  s   CME =cuadrados medios del error
ERROR DE LA DISTRIBUCIÓN n SCxx (desviación estándar estimada de ˆ ).
MUESTRAL DE LA RECTA DE n = número de pares de datos presentes.
REGRESIÓN PARA REALIZAR x0 = valor dado en x para estimar yˆ i
ESTIMACIONES, s yˆi .  1  x  x 2  x = media aritmética de los valores en x .
 yˆi  CME    S xx = variabilidad observada dentro
 n SC xx  de los valores x .

Elaboró: QUÍM. FRANCISCO PARTIDA HERNÁNDEZ Profesor del Área de Probabilidad y estadística del I.T.P.
Análisis de regresión lineal simple Modelos estadísticos

Continúa. ESTIMACIÓN Y PREDICCIÓN DE NUEVAS OBSERVACIONES

CONCEPTO MODELO ESTADÍSTICO NOTACIÓN

1 x  x
2

INTERVALO DE CONFIANZA yˆi  t 2, n2  s  ŷ0 = valor puntual ajustado con la ecuación
n SCxx
100 1    % DE LA de regresión para la observación futura
cuando x  x0 .
RESPUESTA MEDIA ESTIMADA
DE UN VALOR DE y PARA UN  ŷ0 = desviación estándar estimada de ŷ0
 1  x  x 2 
VALOR DADO DE x . yˆi  t 2, n2  CME   
 n sxx 

MODELO GENERAL DE
PREDICCIÓN POR INTERVALOS yˆ0  t 2,    yˆ0
DE CONFIANZA
 ŷ = Desviación estándar de la distribución
0

 x0  x 
2
muestral de la recta de regresión para hacer
1
 yˆ  s  1   estimaciones
ERROR DE LA DISTRIBUCIÓN
0
n SCxx s = estimador muestral de la desviación
MUESTRAL DE LA RECTA DE estándar de regresión,  .
REGRESIÓN PARA REALIZAR n = número de pares de datos presentes.
PREDICCIONES.  1  x0  x 2  x0 = valor dado en x para estimar yˆ i
 yˆ  CME 1    x = media aritmética de los valores en x .
 n SC 
0
xx SCxx = variabilidad observada dentro
de los valores x .
 1 x  x 2
 ŷ0 = valor puntual ajustado con la ecuación
yˆ 0  t 2, n2  s 1   0  de regresión cuando x  x0 .
INTERVALO DE CONFIANZA  n SCxx  t 2; = valor de t que se basa en
100 1    % PARA LA   n  2 grados de libertad.
PREDICCIÓN DE UN VALOR y CME =cuadrados medios del error
EN FUNCIÓN DE UN VALOR  1 x  x 2
 (desviación estándar estimada de  ).
DADO DE x . yˆ 0  t 2, n2 CME 1   0 
 n sxx 

Elaboró: QUÍM. FRANCISCO PARTIDA HERNÁNDEZ Profesor del Área de Probabilidad y estadística del I.T.P.