UNIVERSIDAD POLITÉCNICA ESTATAL DE CARCHI

FACULTAD DE INDUSTRIAS AGROPECUARIAS Y CIENCIAS

AMBIENTALES
CARRERA DE INGENIERÍA EN ALIMENTOS
NOMBRE: David Lara
CURSO: 4to Alimentos “A-M”
FECHA: 07-04-2019
Regresión lineal
El modelo de pronóstico de regresión lineal permite hallar el valor esperado de una
variable aleatoria a cuando b toma un valor específico. La aplicación de este método
implica un supuesto de linealidad cuando la demanda presenta un comportamiento
creciente o decreciente, por tal razón, se hace indispensable que previo a la selección de
este método exista un análisis de regresión que determine la intensidad de las relaciones
entre las variables que componen el modelo.
¿Cuándo utilizar un pronóstico de regresión lineal?
El pronóstico de regresión lineal simple es un modelo óptimo para patrones de demanda
con tendencia (creciente o decreciente), es decir, patrones que presenten una relación de
linealidad entre la demanda y el tiempo.

Figura 1 Gráfica Regresión lineal

Existen medidas de la intensidad de la relación que presentan las variables que son
fundamentales para determinar en qué momento es conveniente utilizar regresión lineal.
Análisis de regresión

El objetivo de un análisis de regresión es determinar la relación que existe entre una

variable dependiente y una o más variables independientes. Para poder realizar esta
relación, se debe postular una relación funcional entre las variables.
Cuando se trata de una variable independiente, la forma funcional que más se utiliza en
la práctica es la relación lineal. El análisis de regresión entonces determina la intensidad
entre las variables a través de coeficientes de correlación y determinación.

Coeficiente de correlación [r]

El coeficiente de correlación, comúnmente identificado como r o R, es una medida de

asociación entre las variables aleatorias X y, cuyo valor varía entre -1 y +1.
El cálculo del coeficiente de correlación se efectúa de la siguiente manera:

Dónde t hace referencia a la variable tiempo y x a la variable demanda.

Ejemplo 1:

Venta de automóviles

Se piensa que si aumentan el porcentaje de comisión pagada al vendedor de automóviles,

aumenta la venta. Estudio sobre 15 concesionarios similares

X Comisiones pagadas a vendedores de autos en un mes (%)

Y Ganancias netas por ventas, en el mismo mes (Millones de $)

obs X Y
1 3,6 11,28
2 5,2 14,74
3 5,3 18,46
4 7,3 20,01
5 5 12,43
6 5,2 15,37
7 3 9,59
8 3,1 11,26
9 3,2 8,05
 10 7,5 27,91
11 8,3 24,62
12 6,1 18,8
13 4,9 13,87
14 5,8 12,11
15 7,1 23,68

Ganancias netas vs comisiones

30

25 y = 3.1838x - 0.9621
R² = 0.8219
20

15
x

10

0
0 1 2 3 4 5 6 7 8 9
y

El modelo, para estos datos, es:

𝑌 = 3.183𝑋 − 0.9621

Representa una recta, cuyo intercepto con el eje vertical es -0.96, y su pendiente es 3.18, o sea,
si el porcentaje de comisión X aumenta en 1%, la ganancia neta Y aumenta en 3.18 Millones de
pesos.

Ejercicio 2

DATOS DEL CLUB DE SALUD

Datos correspondientes a 20 empleados del club de salud de una empresa

X pulsasiones por minuto en reposo

Y tiempo en correr 1 milla ( reg)

 obs x y
1 67 481
2 52 292
3 56 357
4 66 396
5 65 345
6 80 469
7 77 425
8 65 393
9 68 346
10 66 401
11 70 267
12 59 368
13 58 295
14 52 391
15 64 487
16 72 481
17 57 374
18 59 367
19 70 469
20 63 252

Club de Salud
600
y = 4.4245x + 98.304
500 R² = 0.2163

400

300
y

200

100

0
50 55 60 65 70 75 80 85
x

Bibliografia:

Walpole, R. E. y Myers, R. H. (1999). Probabilidad y estadística para ingenieros (6a ed.).

México: Prentice Hall.