Instituto Tecnológico Superior de San Luis Potosí

REGRESIÓN LINEAL SIMPLE Ingeniería industrial

Estadística inferencial 1
Juan Gerardo Hernández Rodríguez
07 de diciembre de 2018

El análisis de regresión se usa con el propósito de predicción. La meta del análisis de regresión es desarrollar un modelo estadístico que
se pueda usar para predecir los valores de una variable dependiente o de respuesta basados en los valores de al menos una variable
independiente o explicativa. Este capítulo se centra en un modelo de regresión lineal simple, que usa una variable numérica
independiente X para predecir la variable numérica dependiente Y.

Prueba de hipótesis Calidad de ajuste Estimación y predicción por intervalo

Coeficiente de determinación Una de las aplicaciones más importantes en un análisis de

En cualquier análisis de regresión es necesario evaluar qué tan bien regresión es hacer estimaciones de la respuesta media para un
el modelo (la línea recta) explica la relación entre X y Y. Un primer criterio para evaluar la calidad del ajuste es observar la forma en valor dado de X. En el caso particular de la regresión lineal simple,
que el modelo se ajustó a los datos. En el caso de la regresión lineal simple sabemos que un estimador puntual de la respuesta media lo da la
esto se distingue al observar si los puntos tienden a ajustarse razonablemente recta de regresión:
bien a la línea recta. Pero otro criterio más cuantitativo es el que proporciona
Una primera forma de hacer esto es probar una serie hipótesis sobre el el coeficiente de determinación, el cual está definido por:
modelo. Para ello es necesario suponer una distribución de probabilidad
para el término de error, Es usual suponer normalidad: se distribuye en
forma normal, independiente, con media cero y varianza

Además de esto, en ocasiones es de interés obtener una

estimación por intervalos para y a partir de cualquier valor de
Por lo general, la hipótesis de mayor interés plantea X, para lo cual aplicamos la siguiente ecuación:
que la pendiente es significativamente diferente de
cero. Esto se logra al aprobar la siguiente hipótesis

Coeficiente de determinación ajustado

Raj^2 se calcula de la siguiente manera:

A este intervalo se le conoce como intervalo para la recta de

regresión. Su amplitud depende del CMg y de la distancia entre
X0 y X barra. La amplitud es mínima cuando X0 = X barra y se
incrementa conforme |X0 = Xbarra| se hace más grande.
El estadístico de prueba es:
Coeficiente de correlación (r)

Es bien conocido que el coeficiente de correlación r,

mide la intensidad de la relación lineal entre dos
variables X y Y. Si se tiene n pares de datos de la forma
(Xi, Yi), entonces este coeficiente se obtiene de la
siguiente manera:

Si la hipótesis nula es verdadera él estadístico tiene una

distribución T-Student con n-1 grados de libertad. Se rechaza
H0 si el valor absoluto de este estadístico es mayor que el
correspondiente valor crítico obtenido de tablas, es decir, se
rechaza H0 si:

Error estándar de estimación.

Una medición sobre la calidad del ajuste de un modelo

lo da el error estándar de estimación, que es una
estimación de la desviación estándar del error. En el
caso de la regresión lineal simple, está dado por:

Análisis gráfico de residuos:

Como complemento a lo que se ha discutido hasta aquí, un análisis

adecuado de los residuos proporciona información adicional sobre
la calidad del ajuste del modelo de regresión y de esa manera es
posible verificar si el modelo es adecuado. Las gráficas que suelen
hacerse para completar el diagnóstico del modelo consisten en:

a) graficar los residuos en papel de probabilidad normal

b) graficar los residuos contra los predichos.