Professional Documents
Culture Documents
RESUMEN
En este trabajo se aplicarn los conocimientos adquiridos en clases a travs de un ejemplo de aplicacin, donde al conocer la relacin indirecta entre el precio de venta del inmueble y la edad de residencia del mismo, ajustar a un modelo de
regresin lineal simple dicha situacin que permita conocer que tanta influencia tiene una variable con la otra; adems de poder realizar las respectivas predicciones, conociendo tan solo la edad de residencia que tenga el inmueble. Se obtuvo
de manera personal y confidencial, una base de datos de veinticinco inmuebles con su respectivo precio de venta y edad de residencia para su respectivo anlisis y conclusin de ajuste.
INTRODUCCIN
Para la ciencia es de primordial importancia ajustar modelos matemticos a circunstancias de la vida real, que permitan describirlos y analizarlos. Es por ello, que la regresin lineal ha sido de suma utilidad, al ser aquella herramienta
estadstica que permite aproximar la relacin lineal de dependencia entre una variable dependiente y otras independientes entre s, que permitan dar explicacin a un fenmeno en particular.
METODOLOGA Y RESULTADOS
Anlisis Descriptivo
MATRIZ DE CORRELACIN Impuesto rea del terreno rea construida Edad de la residencia
Los modelos que se emplean para relacionar una variable dependiente y con las variables independientes
1 , 2 , 3. se denominan modelos de regresin o modelos estadsticos lineales porque expresan un valor medio de y
para valores dados de 1 , 2 , 3. como una funcin lineal de un conjunto de parmetros desconocidos. Impuesto 1,000 0,687 0,832 -0,371
La relacin entre las variables regresoras y la variable dependiente se establece mediante el modelo general de
regresin lineal simple:
rea del terreno 0,687 1,000 0,703 -0,380
= 0 + +
rea construida 0,832 0,703 1,000 -0,178
donde b0, b1, b2, ..., bi son los parmetros del modelo (se tienen i variables independientes y p parmetros).
Media Error Estndar Mediana Moda Varianza Desviacin Estndar Mnimo Mximo Cuartil 1 Cuartil 2 Cuartil 3
2
90
1
Porcentaje
50 0
10 -1
rea construida
1,51 0,11 1,49 1,12 0,31 0,56 0,98 3,42 1,18 1,49 1,66
(100 )
1 -2
-2 -1 0 1 2 20 40 60 80
Residuo estandarizado Valor ajustado
4,8 2
3,6 1
Frecuencia
0,0 -2
-1,5 -1,0 -0,5 0,0 0,5 1,0 1,5 2,0 2 4 6 8 10 12 14 16 18 20 22 24 26
Residuo estandarizado Orden de observacin
CONCLUSIONES
Antes de establecer cualquier modelo de regresin lineal, se tiene que tener en cuenta la relacin directa entre las variables predictoras, y eliminar alguna de stas si es necesario, evitando as errores de estimacin de la variable de respuesta.
Los datos poco frecuentes o aberrantes producirn tambin un error de estimacin de los parmetros para el modelo de prediccin, en el cual el porcentaje de explicacin no estar establecida para la realidad de los datos.
Es importante que las covariables estn centralizadas, ya que as todos los parmetros del modelo de regresin lineal tendrn interpretacin.
REFERENCIAS