Medidas Estadisticas Bivariantes de Regresión

Get Started. It's Free
or sign up with your email address
Rocket clouds
Medidas Estadisticas Bivariantes de Regresión by Mind Map: Medidas Estadisticas Bivariantes de Regresión

1. Termino

1.1. El término regresión fue introducido por Galton en su libro “Natural inheritance” (1889) refiriéndose a la “ley de la regresión universal”, así mismo, determina una función matematica sencilla que describe el comportamiento de una variable, los valores de otra u otros variables

1.1.1. Comprende

1.1.1.1. La relación de dos o más variables y nos permite relacionar mediante ecuaciones, una variable en relación a otra variable.

1.1.1.1.1. Se Divide En

2. Regresión Multiple

2.1. Signifacdo

2.1.1. Es la posible relación entre varias variables independiente y otras dependiente

2.1.1.1. Modelo de Regresión Simple Multiple donde aparecen más variables

2.2. Ventajas

2.2.1. Utiliza más información en la construcción del modelo y Realiza estimaciones más precisas

2.3. Explica

2.3.1. El comportamiento de una variable dependiente (Y) en función de un conjunto de K variables explicativas X1. X2. ... XK mediante una relación de dependencia lineal (Suponiendo X1 = 1)

2.3.1.1. A través de

2.3.1.1.1. Linealidad

2.3.1.1.2. Homocedastisidad

2.3.1.1.3. Normalidad

2.3.1.1.4. Independencia

2.3.1.1.5. Variables Explicativas

2.4. Signifacdo

3. Regresión Lineal Simple

3.1. Se analiza la influencia de una variable explicativa que toma otra variable denominada dependiente (Y) Y=F(X)

3.1.1. La información contenidad en las observaciones se da por diferentes procedimientos

3.1.1.1. Tipos de Observaciones en la Grafica

3.1.1.1.1. Cuando la relación inicial es exacta, las observaciones se situarian a lo largo de una recta.

3.1.1.1.2. Si la dependencia es estocásticas, las observaciones no se alinearan en la recta, sino en una nube de puntos

3.2. Se Utiliza Para

3.2.1. Modelar y predecir una variable Y

3.2.1.1. Intervienen

3.2.1.1.1. Y dependiente X independiente o regresora

3.3. Aplicación

3.3.1. El modelo de regresión lineal es aplicado en un gran número de campos, desde el ámbito científico hasta el ámbito social, pasando por aplicaciones industriales ya que en multitud de situaciones se encuentran comportamientos lineales.

3.4. Covarianzas de Dos Variables Aleatorias (X e Y)

3.4.1. La covarianza entre dos variables, Sxy, nos indica si la posible relación entre dos variables es directa o inversa:  Directa: Sxy > 0  Inversa: Sxy < 0  Descorreladas: Sxy = 0

3.5. Coeficiente de Correlación Lineal Pearson

3.5.1. El coeficiente de correlación lineal de Pearson de dos variables, r, nos indica si los puntos tienen una tendencia a disponerse alineadamente. Tiene el mismo signo que Sxy. Por tanto de su signo obtenemos el que la posible relación sea directa o inversa. R es útil para determinar si hay relación lineal entre dos variables.