UNIVERSIDAD NACIONAL DANIEL ALCIDES CARRIÓN

FACULTADAD DE CIENCIAS EMPRESARIALES

ESCUELA DE ADMINISTRACIÓN

ENSAYO VI
REGRESIÓN LINEAL - CAPITULO V –
APARTADO 17
GORGAS GARCÍA JAVIER, CARDIEL LÓPEZ NICOLÁS Y ZAMORANO
CALVO JAIME

INTEGRANTES:

 ATENCIO TUFINO, Bequer

 MAXIMILIANO BLANCO, Samuel

 OSORIO CABELLO, Brayan

 PALACIN ESTRELLA, Elvis

 VENTURO BASILIO, Denilson

CERRO DE PASCO – 2018

1
 INTRODUCCIÓN

Si sabemos que existe una relación entre una variable denominada dependiente y otras

denominadas independientes (como por ejemplo las existentes entre: la experiencia profesional de

los trabajadores y sus respectivos sueldos, las estaturas y pesos de personas, la producción agraria

y la cantidad de fertilizantes utilizados, etc.), puede darse el problema de que la dependiente asuma

múltiples valores para una combinación de valores de las independientes.

La dependencia a la que hacemos referencia es relacional matemática y no necesariamente de

causalidad. Así, para un mismo número de unidades producidas, pueden existir niveles de costo,

que varían empresa a empresa.

Si se da ese tipo de relaciones, se suele recurrir a los estudios de regresión en los cuales se

obtiene una nueva relación pero de un tipo especial denominado función, en la cual la variable

independiente se asocia con un indicador de tendencia central de la variable dependiente. Cabe

recordar que en términos generales, una función es un tipo de relación en la cual para cada valor

de la variable independiente le corresponde uno y sólo un valor de la variable dependiente.

1
 REGRESIÓN LINEAL

Progresión línea simple

Se basa en dos variables ya que uno de ellos e identifica como variable independiente y la otra

como dependiente ambos de estas se desean explicar, predecir de la siguiente manera.

Se sabe que la variable dependiente que se desea pronosticar o interpretar es depende de las

variables independientes. En tal sentido se podría decir que la variable independiente influye en

la variable dependiente, y por ende son la causa de los resultados obtenidos en el pasado.

También podemos esto reemplazarlo por variables (x,y) como también podemos poner (a,b)

como constante ya que al ejecutar un ejercicio nos sería más fácil para poder saber la recta corta

del eje.

Ajuste de una recta de regresión

La recta de regresión también se conoce como ajuste lineal o regresión lineal, que significa un

modelo matemático utilizado para aproximar la dependencia que existe entre un grupo de

variables y un término aleatorio.

El ajuste de la recta de regresión permite pronosticar la puntuación que alcanzará cada sujeto

en una variable Y conociendo su puntuación en otra variable X. A la variable Y se le denomina

criterio y a la variable X predictor.

Para hallar la recta que mejor se ajusta a la nube de puntos observada se usa el método de

mínimos cuadrados.

yˆ = a + bx

Sin embargo, raramente la nube de puntos que representa la relación entre dos variables X e Y

adopta la forma de una línea recta perfecta. En el caso en que exista una relación alta entre las

variables, la nube de puntos tiende a parecerse a una recta. Sólo en el caso de rxy=1 la nube de

2
puntos se ajusta perfectamente a la línea recta. Para que la recta a determinar sea la que mejor se

ajuste a la nube de puntos de entre todas las rectas posibles, dichas distancias deberán ser lo más

pequeñas posible

Teniendo esto en cuenta, la recta de regresión es la línea recta que mejor se ajusta a la nube de

puntos para dos variables X e Y, es decir, la que permitiría minimizar el error medio cometido al

hacer los pronósticos como si la nube de puntos tuviera una forma lineal.

Covarianza y coeficiente de regresión

 Covarianza

La covarianza es un valor que indica el grado de variación conjunta de dos variables

aleatorias respecto a sus medias. Es el dato básico para determinar si existe una dependencia

entre ambas variables y además es el dato necesario para estimar otros parámetros básicos,

como el coeficiente de correlación lineal o la recta de regresión, es decir, es la probabilidad

para nombrar al valor que refleja el grado de variación conjunta que se registra en dos

variables aleatorias tomando como medida sus medias.

La covarianza, por lo tanto, nos permite descubrir si las variables mantienen un vínculo

de dependencia. El dato también contribuye a conocer otros parámetros.

 Coeficiente de regresión lineal

La representación de los coeficientes de regresión es que byx se puede llegar a las

siguientes conclusiones: la pendiente de la recta de y sobre x, de forma que cuando sea

positivo la recta será creciente y al contrario. En el caso de que byx = 0 la recta será

horizontal. De la misma manera, bxy representa la pendiente de la recta respecto al eje de

ordenadas Y, y cuando sea nulo la recta será vertical.

3
 Se puede observar además que ambos coeficientes de regresión tienen el mismo signo (el

signo de la covarianza, ya que las varianzas siempre son positivas). Esto implica que las dos

rectas de regresión serán a la vez ascendentes o descendientes.

Correlación lineal

Estudia el grado de asociación o dependencia entre dos variables o más. Estudiar la

correlación significa analizar hasta hasta que punto es significativa la dependencia de una

variable de la otra. Ejemplo cuando exista una dependencia funcional entre ambas variables

diremos que tenemos una correlación perfecta y tiene (ej. radio y área de un círculo). Por el

contrario cuando no exista ninguna dependencia entre las variables diremos que nos hay

correlación (ej. La primera letra del apellido y altura de un individuo). Correlación lineal que

está basado en la comparación de la varianza asociada de dos variables (covarianza) y las

desviaciones estándar de cada uno a través del cálculo del coeficiente “r” de Pearson.

Hay tres tipos de correlación: positiva, negativa y nula (sin correlación):

- Correlación positiva: ocurre cuando una variable aumenta y la otra también. Por ejemplo, la

altura de una persona y el tamaño de su pie; mientras aumenta la altura, el pie también.

- Correlación negativa: es cuando una variable aumenta y la otra disminuye. El tiempo de

estudio y el tiempo que pasas jugando videojuegos, tienen una correlación negativa, ya que

cuando tu tiempo de estudio aumenta, no te queda tanto tiempo para jugar videojuegos.

- Sin correlación: no hay una relación aparente entre las variables. Los puntos en tus

videojuegos y tu talla de zapato no parecen tener ninguna correlación; mientras una

aumenta, la otra no tiene ningún efecto.

4
Coeficiente de correlación lineal y varianza residual

 Coeficiente de correlación líneas

La correlación, también conocida como coeficiente de correlación lineal (de Pearson), es

una medida de regresión que pretende cuantificar el grado de variación conjunta entre dos

variables.

Por tanto, es una medida estadística que cuantifica la dependencia lineal entre dos

variables, es decir, si se representan en un diagrama de dispersión los valores que toman dos

variables, el coeficiente de correlación lineal señalará lo bien o lo mal que el conjunto de

puntos representados se aproxima a una recta.

De una forma menos coloquial, la podemos definir como el número que mide el grado de

intensidad y el sentido de la relación entre dos variables.

Siendo:

- Cov (x;y): la covarianza entre el valor “x” e “y”.

- σ(x): desviación típica de “x”.

- σ(y): desviación típica de “y”.

 Varianza residual

Cuando consideramos el valor ajustado mediante el modelo de regresión lineal para un

valor fijo x:

yest = a + bx

Tenemos, en realidad, un estadístico. La varianza de este estadístico es conocida como

varianza residual, la cual resulta igual a:

(Sy)2 (1 − r2)

5
 La raíz cuadrada de la varianza residual es conocida como el error típico.

La varianza residual coincide también con la suma de cuadrados de las diferencias entre

los valores de la variable dependiente observados y estimados por la recta, dividiendo el

resultado final por el tamaño de la muestra.

Interpretación del coeficiente de correlación

Para nosotros poder interpretar el coeficiente de correlación, en primera instancia, debemos de

encontrar los posibles valores que este puede tomar.

Ya que la varianza residual, como la varianza, en muchas ocasiones han de ser positivas, por

lo tanto, en conclusión podemos deducir que el valor que puede tomar el coeficiente de

correlación esta dado entre el -1 y +1

También podemos deducir que el coeficiente de correlación, coeficientes de regresión y la

covarianza siempre conllevan el mismo signo.

Es decir, en caso sé de qué el coeficiente de correlación sea positivo, tendremos la pendiente

de la recta de una forma directa o también llamado recta positiva. Si se encuentra un coeficiente

de correlación negativa, nos muestra que esto será de una forma inversa o indirecta. Y si

encontramos que el coeficiente sea nulo, el coeficiente de regresión y la covarianza también

serán nulos.

Debilidades del coeficiente de correlación y la regresión lineal.

- Cuando las medidas en particulares se alejan demasiado a la tendencia central, este resulta

muy afectado.

- La correlación no es lineal también cuando el coeficiente es demasiado bajo, pero es posible

recalcar que si puede existir otro tipo de correlación.

6
- En caso se consigue un coeficiente de correlación elevado, no siempre significa que va

existir una dependencia directa de las variables.

7
 BIBLIOGRAFÍA

 GORGAS GARCÍA JAVIER., CARDIEL LÓPEZ NICOLÁS Y ZAMORANO CALVO

JAIME (2009). Estadística Básica Para Estudiantes De Ciencias.

 PROGRESIÓN LINEAL SIMPLE (13 de diciembre, 2011). Recuperado de

https://www.clubensayos.com/Ciencia/Regresi%C3%B3n-Lineal-Simple/116230.html

 COVARIANZA (17 de febrero, 2017). Recuperado de https://definicion.de/covarianza/

 COEFICIENTE DE CORRELACION. Recuperado de

http://dm.udc.es/asignaturas/estadistica2/sec6_8.html

 INGENIERIA INDUSTRIAL ONLINE. Regresión Lineal. Recuperado de

https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-

industrial/pron%C3%B3stico-de-ventas/regresi%C3%B3n-lineal/

 VARIANZA RESIDUAL. Recuperado de

http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo13/B0C13m1t6.ht

 ECONOMIPEDIA, HACIENDO FACIL LA ECONOMIA. Coeficiente De Correlación

Lineal. Recuperado de https://economipedia.com/definiciones/coeficiente-de-correlacion-

lineal.html