REGRESIÓ N LINEAL
SIMPLE
Regresió n Lineal
Simple
Es un modelo matemático para predecir el efecto de una variable
sobre otra, ambas cuantitativas.
Una variable es la dependiente (efecto) y otra la independiente
(causa)
Se gráfica con el diagrama de dispersión.
Dice cómo es la relación entre las dos variables.
El análisis consiste en encontrar la “mejor” línea recta de esos puntos.
Diagrama De Dispersió n
Relación directa e inversa
100
330
No hay relacion 90 Fuerte relación
280
80 directa.
230
70
180
60
130 50
80 40
30 30
140 150 160 170 180 190 200 140 150 160 170 180 190 200
Para valores de X por encima de la •Para los valores de X mayores que la
media tenemos valores de Y por media le corresponden valores de Y
encima y por debajo en proporciones mayores también.
similares.
•Para los valores de X menores que la
80 media le corresponden valores de Y
70 Cierta relación
60 inversa
menores también. : relación directa.
50
40
30 Para los valores de X mayores que la
20
media le corresponden valores de Y
10
0
menores. Esto es relación inversa o
140 150 160 170 180 190 200 decreciente.
COEFICIENTE CORRELACIÓ N
La correlación mide la fuerza y la dirección de la relación lineal
entre dos variables cuantitativas. La correlación se simboliza con la
letra r.
xy x * y
r n
x x
2
2
*
y y
2
2
n n
• Mide la calidad del ajuste de una línea.
• Dice cuánto se relacionan las dos variables
El coeficiente de correlación puede variar de –1 a +1
Correlación negativa
X 8X
0 Y
10 = 0.134
20 X + 2.122
30 40 50 60 70 80 90 0 2 Y =4 X 6 10 12 14 16
0 0
2 2
4
4
6
6
Y
8
Y
10
10
12
12
14
14
16
-1 r 0 r=-1
16
Correlación positiva
16 Y = 0.134 X + 2.122 16 Y=X
14
12 0 r +1
14
12
r=+1
10 10
8
Y
8
Y
6 6
4 4
2 2
0 0
0 10 20 30 40 50 60 70 80 90 0 2 4 6 8 10 12 14 16
X X
16 Y = 0.093 X + 4.335 8 Y=4
14
7
12
6
10
5
8
Y
Y
6 3
4 2
2 1
0 0
20 25 30 35 40 45 50 55 60 20 25 30 35 40 45 50 55 60
X X
16
14
#¡DIV/0!
r=0
12
10
8
Ausencia de correlación
Y
0
0 1 2 3 4 5 6
X
Clasificación del coeficiente de
correlación
-1 correlación negativa perfecta 1 correlación positiva perfecta
(-1;-0.9] correlación negativa muy [0.9;1) correlación positiva muy
fuerte fuerte
(-0,9;-0.75] correlación negativa [0.75;0.9) correlación positiva
considerable considerable
(-0,75;-0.5]; correlación negativa [0.5;0.75); correlación positiva
media media
(-0,5;-0.1] correlación negativa [0.1;0.5) correlación positiva débil
débil
0.0 no existe correlación entre las variables
MODELO DE REGRESIÓN LINEAL
• El modelo de regresión completo es
y 0 1 x
Donde 0 y 1 son parámetros desconocidos del
modelo
Si queremos ajustar un modelo de regresión
lineal simple a un conjunto de datos,
debemos encontrar estimadores para los
parámetros desconocidos, 0 y 1.
Formulas para las estimaciones
de mínimos cuadrados
xy x y
̂1 n
Pendiente: ( x ) 2
x 2
n
Ordenada al origen: ˆ0 y ˆ1 x
Coeficiente de determinación
El Coeficiente de Determinación, es el cuadrado del coeficiente de
correlación de Pearson, y da la proporción de variación de la
variable Y que es explicada por la variable X (variable predictora o
explicativa). Si la proporción es igual a 0, significa que la variable
predictora no tiene capacidad predictiva de la variable a predecir
(Y). Cuanto mayor sea la proporción, mejor será la predicción. Si
llegara a ser igual a 1 la variable predictora explicaría TODA la
variación de Y, y las predicciones NO tendrían error.
Ejemplo
Los siguientes datos corresponden a la tasa de mortalidad por cada
100,000 habitantes con una temperatura anual promedio
(Fahrenhait) en algunas ciudades del mundo :
Cities Temperature Deaths
Montreal 40 2,3
Londres 50 2,2
Amsterdam 50 2
Nueva York 52 1,5
Bruselas 51 1,2
Melbourne 58 1,3
Roma 67 0,2
Alejandria 70 0,2
Hong kong 72 0,1
Paris 78 0,2
Tokio 79 0,1
Singapur 80 0,3
Diagrama de dispersión
Modelo de regresión lineal
yˆ ˆ0 ˆ1 * x
Cálculos de los parámetros desconocidos
x y 747 * 11,6
598,7
xy
n 12
ˆ1 0,0597
x 2 48567
558009
x 2
n 12
ˆ0 y ˆ1 x 0,9666 0,0597 * 62,25 4,68
The regression equation is
Deaths = 4,68 - 0,0597 Temperature
Coeficiente de correlación
xy x * y
r n
x x
2
2
*
y y
2
2
n n
598,7
62,25 * 0,9666
12
48567 19 , 74
62,25 * 0,966
2 2
12 12
0,9296
Ejercicio:
A continuación tenemos las estaturas en centímetros
(muestra x) y el peso en kilogramos (y) de niños de 6
años.
Niño 1 2 3 4 5 6 7 8 9 10
Estatura
(cm) 121 123 108 118 111 109 114 103 110 115
Peso (kg) 25 22 19 24 19 18 20 15 20 21
Referencias Bibliográficas
Armas, J. (1992). Estadística sencilla: probabilidad. Publicación del departamento de
estadística, FACES. Universidad de Los Andes, Mérida.
Lind, Marchal, Mason (2004). Estadística para administración y economia. Editorial
Alfaomega. Edición 11.
Lopez, Alfonso (2000). Probabilidad y Estadística, Conceptos, Modelos, Aplicaciones
en Excel. Paulo Editorial Prentice Hall.
Moore, D. (1995). Estadística aplicada básica. Madrid: Antoni Bosch.
Torres. E. (2008). Métodos estadísticos básicos. Apuntes de clase maestría en
estadística. Universidad de Los Andes, Mérida.
Wackerly, D.,Mendenhall W.,Sheaffer R. (2002). Estadística matemática con
aplicaciones. México: Thomson.
