Está en la página 1de 27

REGRESIN LINEAL SIMPLE Y MLTIPLE

Teora y Prctica con aplicaciones


Motivacin 1
El Dueo del restaurante mi barrunto, desea predecir el
tiempo que demoran los mozos en atender a un cliente.

Ser posible afirmar que el


tiempo que demoran los mozos
en atender a un cliente
depende del nmero de mesas
que tiene que atender?

Se definen las variables:


Y = Tiempo de atencin
X = Nmero de mesas a su cargo
ANLISIS DE
REGRESIN
LINEAL SIMPLE
Logros
Al finalizar la clase, el estudiante ser capaz de:

Usar el diagrama de dispersin para identificar la


posible relacin funcional entre dos variables.

Modelar la relacin lineal entre dos variables.

Interpretar el coeficiente de regresin.

Interpretar el coeficiente de determinacin.

Modelar la relacin lineal mltiple.


DIAGRAMA DE DISPERSIN

Es una grfica de los datos muestrales


que muestra la ubicacin de los puntos
(x,y) de la variable Bidimensional (X,Y)
en el sistema cartesiano.
El diagrama de dispersin muestra la
intensidad y el sentido de la relacin
entre dos variables
DIAGRAMA DE DISPERSION

80
100
70
90
60
80
50
70 40
60 30
50 20
10 r=-0,95
40 r=0,9
0
30
140 150 160 170 180 190 200
140 150 160 170 180 190 200

Relacin Lineal Positiva Relacin lineal negativa

330

280

230

180

130

80 r=0,1
30
140 150 160 170 180 190 200

No existe relacin lineal


DIAGRAMA DE DISPERSIN

7 14/03/2017
REGRESIN LINEAL SIMPLE

Es una tcnica estadstica que nos permite hallar una ecuacin que
exprese la relacin funcional o dependencia de una variable dependiente
con otra variable independiente. El objetivo es realizar predicciones de la
variable dependiente respecto a la variable independiente utilizando una
ecuacin, conocida como ecuacin de regresin..

Modelo de Regresin Lineal Poblacional

Y 0 1 X e

donde
o y 1 : Parmetros o coeficientes del modelo
Y : Variable dependiente
X : Variable Independiente
e : Error aleatorio
Ecuacin de Regresin muestral

Como los parmetros o y 1 son desconocidos, es necesario


estimar los valores de esos parmetros a travs de datos
muestrales.

Y b0 b1 X

b 0 = y - b1x b1 =
n xy- x y
n x - ( x)
2 2

donde
b1: es el cambio (aumento o disminucin) en promedio en
Y cuando X vara en una unidad
COEFICIENTE DE DETERMINACIN ( R2 )

El coeficiente de determinacin es el porcentaje de la variacin total en la variable


dependiente ( Y ),que es explicado por la variacin en la variable independiente ( X ).

y
n 2
i y
R 1-
2 i=1
r2
y
n 2
i y
i=1

Caractersticas:

i) Es un valor no negativo ya que se encuentra entre 0 y 1 0 R2 1


ii) Es un valor muy importante en cualquier anlisis de regresin, ya que muestra el grado
hasta el cual estn relacionadas la variabilidad de X e Y
EJEMPLO 1

Una empresa tiene 7 vendedores, y se quiere analizar las ventas


mensuales (en miles de soles) frente a los aos de experiencia. Los datos
estn en la siguiente tabla.

N Experiencia (X) Ventas(Y miles)

1 13 26
2 16 33
3 30 36
4 2 16
5 8 26
6 6 19
7 31 38
DIAGRAMA DE DISPERSIN

45

40

35

Ventas (Miles) 30

25

20

15

10

0
0 5 10 15 20 25 30 35

Experiencia

Segn el diagrama de dispersin existe una relacin lineal positiva.


CALCULO DE LOS COEFICIENTES DE REGRESIN

N
Experiencia Ventas(miles)
(X) (Y) XY X2 Y2
1 13 26 338 169 676
2 16 33 528 256 1089
3 30 36 1080 900 1296
4 2 16 32 4 256
5 8 26 208 64 676
6 6 19 114 36 361
7 31 38 1178 961 1444
X= 106 Y=194 XY=3478 X2=2390 Y2=5798

n 7 ; x
x 106 15.14 ; y
194
27.71
n 7 7

nn xy - x y 7(3478) -106(194) 0.688


b1 x y 2 nxy 2
i 1 n x - ( x)3478 7(2390) - 106 2
i i 7(15.14)(27.71)
b1 n 0.688
2390 7(15.14)
2

x 2
i
nx 2
i 1
b0 y - b x 27.71- 0.688 (15.14) 17.29
b0 y b1 x 27.71 ( 0.688 )15.14 17.29
ECUACIN DE REGRESIN

Entonces la ecuacin de regresin estimada ser:

Y 17.29 0.688X

Interpretacin del coeficiente de regresin, b1

b1 = 0.688. Por cada ao adicional de experiencia que adquiera un vendedor,


sus ventas se incrementan en promedio 0.688(s/1000) = s/ 688

Prediccin de las ventas para un empleado con X=40 aos de experiencia

Y 17.29 0.688( 40 ) 44.826

Un empleado con 40 aos de experiencia en ventas, vender


aproximadamente S/.44826
COEFICIENTE DE DETERMINACIN ( R2 )

Ejemplo: Del ejemplo sobre la regresin entre los aos de experiencia y las ventas
tenemos:

r 0.939 , por lo cual R 0.939 0.883


2 2

Interpretacin: El 88.3% de las variaciones de las ventas (Y) son explicados por los
aos de experiencia. Existe adems un (100-88.3)% = 11.7% que no es explicado por
los aos de experiencia.
ANLISIS DE
REGRESIN
LINEAL MLTIPLE
Motivacin 2
El Dueo del restaurante mi barrunto, desea predecir el
tiempo que demoran los mozos en atender a un cliente.
Ser posible afirmar que el
tiempo que demoran los mozos
en atender a un cliente
depende del nmero de mesas
que tiene que atender?
Solamente depender del
nmero de mesas que tiene
que atender?
La edad de los mozos.
Aos de experiencia del mozo.
REGRESIN LINEAL MULTIPLE

Permite describir la relacin a travs de una funcin lineal (recta)


entre una variable dependiente y otras variables independientes: X1,
X2,....., Xk,

Modelo de Regresin Poblacional

Y 0 1 X 1 1 X 1 2 X 2 ..... k X k e

donde
o , 1 , 2 . k , : Parmetros o coeficientes del modelo
Y : Variable dependiente
X : Variable Independiente
e : Error aleatorio
Ecuacin de Regresin Mltiple muestral

Como los parmetros o, 1, 2,,k son desconocidos, es


necesario estimar los valores de esos parmetros a travs de
datos muestrales.

Y b0 b1 X 1 b2 X 2 .... bk X k

donde
K: es el nmero de variables independientes
PRUEBA DE HIPTESIS PARA LA SIGNIFICANCIA DEL
MODELO

Para trabajar esta prueba, se construye la siguiente tabla de anlisis


de varianza

Fuente de Grado de Suma de Cuadrado


Fc Ft
variacin libertad Cuadrado Medio

Regresin k SCReg CMReg Fc=CMReg/CME F(k,n-k-1;)

Error n-k-1 SCE CME

Total n-1 SCTotal


Prueba de Hiptesis para la significancia del modelo

1. Formular las hiptesis


Ho: 1 = 2 = = k = 0 (El modelo no es significativo)
H1: Al menos un i es diferente de cero (El modelo es significativo)

2. Establecer el Nivel de significancia:


3. Calcular el Estadstico de Prueba

=

4. Establecer la regin Crtica

RA
RR
F( , k, n k-1)
5. Decisin
Si F c pertenece a la regin de Aceptacin (RA), aceptamos H0
Si Fc pertenece a la regin de Rechazo (RR), rechazamos H0
EJEMPLO 2

Simn Prez, Gerente comercial de una distribuidora, desea conocer el


comportamiento de las ventas de las cmaras digitales. Simn considera
que la publicidad y el precio son los factores determinantes de la
demanda. La informacin recabada es la siguiente.
Publicidad
Demanda ( Unidades ) Precio ($)
(Nmero de
Y X2
anuncios) X1
33 3 125
61 6 115
70 10 140
82 13 130
17 9 145
24 6 140

Los datos fueron procesados con el Megaestat, cuyos resultados


parciales se muestra a continuacin
1. Obtenga el modelo de regresin lineal mltiple estimado e interprete los
coeficientes b1 y b2.
2. Si el nmero de anuncio es 7 y el precio $ 132 Cul es su pronstico de la
demanda?
3. Realice la prueba de hiptesis correspondiente para determinar si el
modelo es significativo. Use el nivel de significancia del 5%
QU HEMOS VISTO?

Como graficar el diagrama de dispersin.

Como calcular la ecuacin de regresin


lineal simple.

Como calcular e interpretar el coeficiente


de determinacin.

Como calcular la ecuacin de regresin


lineal mltiple

Como determinar si el modelo de regresin


lineal mltiple es significativo.

.
TAREA DE INTERAPRENDIZAJE

La siguiente tabla muestra el dinero en miles de dlares


gastado en publicidad por una empresa (X) para vender
sus productos, y el nmero en miles de clientes (Y) que
compran los productos de la empresa.

X 15 17 14 13 18 20 17 18 16 14 20 18
Y 30 34 28 26 32 40 34 36 32 25 40 36
Realice el diagrama de dispersin.
Determine el modelo de regresin lineal.
Calcule el coeficiente de determinacin.
REFERENCIAS:

Molina, H. (2012). Mtodos Estadsticos. Lima: UCV


-
Lima Norte.
- Casas, J. (2006) Ejercicios de Inferencia Estadstica y
Muestreo para Economa y Administracin de
Empresas. Ed. Pirmide.
- Montgomery, M. y Runger, G. (1999) Probabilidad y
Estadstica Aplicada a la Ingeniera. Mxico DF: Mc
Graw Hill.
- Norman, R. (1998). Bioestadstica. Editorial Harcourt
Brace. - Walpole, R. (2002) Probabilidad y Estadstica
para Ingenieros. (6 Ed.) Mxico DF: Pearson
Education.