ESTADISTICA APLICADA
ESCUELA DE ARQUITECTURA
DOCENTE: [Link] B. SOSA GONZALES
TRUJILLO -PIURA
SEMANA 06
REGRESION LINEAL
Temario
Regresión Lineal simple
Logro
Al finalizar la sesión, los alumnos aplican los conceptos relativos a la
regresión lineal simple, en diferentes contextos empresariales donde
existe dependencia de dos variables cuantitativas.
Regresión Lineal
Frecuentemente resulta de interés conocer el efecto que una o varias variables
pueden causar sobre otra. Es decir, nos encontramos en la vida real y científica con
modelos en los que el comportamiento de una variable Y se puede explicar a través
de otra variable X.
La regresión lineal es un modelo estadístico usado para aproximar la relación de
una variable dependiente llamada Y y una o más variables independientes llamadas
Xi y un término aleatorio muchas veces llamado error ε.
Representación 𝑌 = 𝑓 𝑥 +𝜀
Por lo tanto, el análisis de regresión involucra el estudio de la relación entre variables.
Regresión Lineal Simple
Ejemplo Demostrativo
Se prueban cinco trozos experimentales de un material bajo diferentes presiones. Los
valores de x (en Newton) y las magnitudes de compresión y resultantes (en unidades
de cm) se detallan a continuación:
4 y
Presión Compresión
(N) (cm)
3
X Y
1 1 Gráfica de
2
dispersión
2 1
1
3 2
4 2 X
0 1 2 3 4
5 4
Y tiende a aumentar de forma lineal conforme X aumenta
Regresión Lineal Simple
La solución es construir un modelo probabilístico que relacione y con x; uno que
contemple la variación aleatoria de los puntos de datos a los lados de una línea recta.
Un tipo de modelo probabilístico, el modelo de regresión lineal simple, supone que el
valor medio de Y para un valor dado de X se grafica como una línea recta y que los
puntos se desvían de esta línea de medias en una cantidad aleatoria (positiva o
negativa) igual a , es decir:
y = 0 + 1 x + Condición:
E() = 0
Valor medio de y Error
para una x dada aleatorio
Donde 0 y 1 son los coeficientes desconocidos del modelo.
Regresión Lineal Simple Si 𝛽 > 0 ,entonces al aumentar el valor de X,
1
Interpretación de coeficientes también aumenta el valor de Y (promedio).
𝑦 = 𝛽0 + 𝛽1 X Si 𝛽
, 1 <0, entonces al aumentar el valor de X,
el valor de Y disminuye (promedio).
El coeficiente de regresión: Es el cambio (aumento o disminución) en promedio
en Y cuando X varía en una unidad.
Supuestos del modelo de Regresión Lineal:
✓ Supuesto de Linealidad
Existe linealidad si se presenta una relación significativa entre la variable que se quiere predecir y las otras
variables. Puede usarse el coeficiente "R cuadrado ajustado", para saber si existe linealidad (mayor o igual a
0.7 suele ser "indicio" de linealidad). El ANOVA es una prueba para comprobar la linealidad.
✓ Los residuos tienen media 0.
✓ La varianza de los residuos no depende de xi (homocedasticidad)
✓ Los residuos son normales.
✓ Los residuos son aleatorios.
[Link]
[Link]
Regresión Lineal Simple Modelo de regresión lineal simple estimado
y
4 Y = ̂ + ̂x
Y = ̂ + ̂x 0 1
0 1
Donde:
3
2
̂ 1 = pendiente Cálculo de práctico de coeficientes
1
Paso1:
0
1 2 3 4 X
̂ 0 = ordenada al origen Paso2:
Para estimar la ecuación de la recta de regresión utilizaremos el
método de mínimos cuadrados. Este método consiste en
minimizar la suma de los cuadrados de los errores.
Regresión Lineal Simple
Ejercicio:
La propina que se le otorga a un mozo en un restaurante depende de muchos factores, por ejemplo,
la cordialidad del personal, tipo de ambiente, satisfacción por el servicio, etc.
En el siguiente cuadro se tiene la cantidad de propina (S/) que los clientes de un restaurant dan a los
mozos en función al tiempo en que se demora en servir una orden (minutos).
Propina (S/) 1 3 3 2 6 1 2 3 4
Tiempo de atención
3 2 2 4 1 4 3 2 2
(minutos)
a) Identifique las variables de interés e identifique el tipo según la dependencia. ¿Cómo se
relacionan ambas variables?
b) Estime el modelo de regresión lineal simple estimada.
c) Pronosticar: ¿Cuánto, en promedio, recibirá de propina un mozo que se ha demorado en atender
3.5 minutos?
Regresión Lineal Simple
Solución a. Las variables de Interés:
✓ Variable independiente: Tiempo de atención (minutos) (X)
✓ Variable dependiente: Propina (S/) (Y)
5 La propina que se otorga a
un mozo depende del
4
Propina
Gráfica de tiempo de atención en
dispersión 3 servir el orden.
2 Por tanto, la relación es
1 inversa
0
0 1 2 3 4 5
Tiempo
Regresión Lineal Simple
Solución b. Modelo de Regresión Estimada
Y (propina) X (tiempo) 𝑋2 𝑌2 𝑋𝑌
1 3 9 1 3
3 2 4 9 6
Paso1
3 2 4 9 6
2 4 16 4 8
6 1 1 36 6
1 4 16 1 4
2 3 9 4 6
3 2 4 9 6
4 2 4 16 8
Regresión Lineal Simple
Paso2:
Modelo de Regresión lineal simple estimado
⌢
Pr𝑜𝑝𝑖𝑛𝑎 = 6.15 − 1.32 𝑇𝑖𝑒𝑚𝑝𝑜
Solución C: Pronóstico de la propina cuando el tiempo de atención es 3.5 minutos
⌢
Pr𝑜𝑝𝑖𝑛𝑎 = 6.15 − 1.32 𝑇𝑖𝑒𝑚𝑝𝑜 ¿Cómo se interpreta 𝖰𝟏?
⌢
Cuando el tiempo de atención se incrementa
Pr𝑜𝑝𝑖𝑛𝑎 = 6.15 − 1.32 3.5 en un minuto la propina disminuye en 1.32
⌢
Pr𝑜𝑝 𝑖𝑛𝑎 = 1.53 soles soles en promedio.
Regresión Lineal Simple ⌢
Pr𝑜𝑝𝑖𝑛𝑎 = 6.16 − 1.324 𝑇𝑖𝑒𝑚𝑝𝑜
Resumen 7
Y (propina) X (tiempo)
Gráfica de
6 R² = 0.7374
1 3 dispersión 5
3 2 y = 6.16 - 1.3243 x
3 2 4
Propina
2 4 3
6 1
2
1 4
2 3 1
3 2
0
4 2
0 1 2 3 4 5
Tiempo
Ejercicio resuelto
Ejercicio 1
Una empresa ha registrado las unidades vendidas de su producto estrella en función al
precio que ha sufrido éste en el transcurso de los años tal como se aprecia en el cuadro
que sigue a continuación.
Año Precio Unidades vendidas a) Identifique la variable dependiente e
independiente y realice la gráfica de
2011 1 000 10 000
dispersión.
2012 2 000 8 000
b) Halle el modelo (ecuación) de regresión
2013 3 500 7 000
lineal simple.
2014 4 750 3 000
c) Si el precio se fija en 3 000 soles, ¿cuántas
2015 5 000 2 000
unidades se esperaría vender?
Ejercicio resuelto
Solución a : Gráfica de dispersión Variable dependiente:
Variable Independiente:
Regresión Lineal Simple
12,000
10,000
Unidades Vendidas
8,000
6,000
4,000
2,000
0
0 2,000 4,000 6,000
Precio
Ejercicio resuelto
Solución b: Modelo de regresión (ecuación) lineal simple
Año Precio (X) Unidades Vendidas (Y) 𝑿2 𝑿𝒀
2011 1 000 10 000 1 000 000 10 000 000
2012 2 000 8 000 4 000 000 16 000 000
2013 3 500 7 000 12 250 000 24 500 000
2014 4 750 3 000 22 562 500 14 250 000
2015 5 000 2 000 25 000 000 10 000 000
R𝒆𝒆𝒎𝒑𝒍𝒂𝒛𝒂𝒏𝒅𝒐
Unidades = 12175 − 1.9 3000
Unidades = 6475
Ecuación de regresión 𝑈𝑛𝑖dades = 12175 − 1.9 𝑃𝑟𝑒𝑐𝑖𝑜
Ejercicio individual
Ejercicio 2
Se registró los gastos en publicidad (en millones de soles) en las últimas 15 campañas y el
número de clientes nuevos captados (en miles).
Observación Gasto (X) N° Clientes (Y)
1 10 15
2 12 17
…. … ….
12 13 18
13 16 23
14 10 15
15 12 16
a) Halle la ecuación de regresión lineal, si se sabe lo siguiente:
b)¿Cuantos clientes se espera captar si se invierte en publicidad
8 000 000 soles?
Ejercicio individual
Ejercicio 2
Reemplazando:
Y = 4.40 + 1.08 X
Clientes nuevos = 4.40 + 1.08 Gasto
b) ¿Cuanto clientes se espera captar si se invierte en publicidad S/ 8 000 000?
Y = 4.40 + 1.08 (8)
Y =13.04 miles de personas
Y= 13 040 personas
Cierre
¿QUÉ HEMOS APRENDIDO?
1. ¿Cuándo se usa la regresión lineal y
que supuestos debe cumplir?
2. ¿Cómo se interpreta el coeficiente
de regresión lineal?
