Escuela Superior Politécnica de

Chimborazo
Facultada de Ciencia pecuarias
Carrera de Agroindustria
Nombre: Daniel Naigua Código: 167 Paralelo: 4to A
Análisis de regresión
El análisis de regresión es un método estadístico que permite examinar la relación entre dos
o más variables e identificar cuáles son las que tienen mayor impacto en un tema de interés.
(Chou, 1997)
El proceso de realizar una regresión permite determinar con confianza cuáles son los factores
más importantes, cuáles se pueden ignorar y cómo influyen entre sí. Dichos factores se
denominan variables las cuales se clasifican en:
 Variable(s) dependiente(s): Es el factor más importante, el cual se está tratando de
entender o predecir.
 Variable(s) independiente(s): Es el factor que tú crees que puede impactar en tu
variable dependiente.
El análisis de regresión es útil para una organización, ya que permite determinar el grado en
que las variables independientes influyen en las variables dependientes.
Coeficiente de regresión (b)
En estadística, los coeficientes de regresión lineal son los valores constantes que representan
el punto donde la recta de regresión corta al eje de ordenadas y la pendiente de la misma
respecto al eje de ordenadas. (Vila, 2004)
Este coeficiente nos indica el número de unidades que aumentará la variable dependiente o
criterio por cada unidad que aumente la variable independiente.
La fórmula para el cálculo del coeficiente de regresión es la siguiente:
𝑆𝑃𝑥𝑦
𝒃=
𝑆𝑐𝑥
𝑺𝑷𝒙𝒚 = ∑𝑥𝑦 − (∑𝑥)(∑𝑦)/𝑛
𝑺𝑪𝒙 = ∑𝑥 2 − (∑𝑥)2 /𝑛
Coeficiente de correlación (r)
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. (Tusell, 2011)
De una forma más coloquial la podemos definir como el número que mide el grado de
intensidad y el sentido de la relación entre dos variables.
La fórmula de cálculo es la siguiente:
𝑆𝑃𝑥𝑦
𝒓=
√𝑆𝐶𝑥 ∗ 𝑆𝐶𝑦

𝑺𝑷𝒙𝒚 = ∑𝑥𝑦 − (∑𝑥)(∑𝑦)/𝑛

𝑺𝑪𝒙 = ∑𝑥 2 − (∑𝑥)2 /𝑛
𝑺𝑪𝒚 = ∑𝑦 2 − (∑𝑦)2 /𝑛
Valores que puede tomar la correlación
 r = -1 Correlación perfecta negativa
 r=0 No existe correlación
 r = +1 Correlación perfecta positiva
Coeficiente de determinación.
El coeficiente de determinación es una medida estadística de la bondad del ajuste o fiabilidad
del modelo estimado a los datos. Se representa por 𝑟 2 e indica cuál es la proporción de la
variación total en la variable dependiente (Y), que es explicada por el modelo de regresión
estimado, es decir, mide la capacidad explicativa del modelo estimado. (Tusell, 2011)
El coeficiente determina la calidad del modelo para replicar los resultados, y la proporción
de variación de los resultados que puede explicarse por el modelo.
Es un estadístico usado en el contexto de un modelo estadístico cuyo principal propósito es
predecir futuros resultados o probar una hipótesis.
La fórmula para el cálculo es la siguiente:

𝟐
∑(𝑌̂𝑡 − 𝑌)2
𝒓 =
∑(𝑌𝑡 − 𝑌)2
Intercepto o constante
Para el cálculo del intercepto se debe utilizar la ecuación de estimación estadística
𝒚 = 𝑎+𝑏𝑥
y es el valor del parámetro en determinación.
Bibliografía
Chou, Y. L., & Armer, V. A. (1977). Análisis estadístico (No. 04; RMD, HA29 C4 1977.).
Interamericana.
Tusell, F. (2011). Análisis de regresión. Introducción teórica y práctica basada en
R. Adolescence. An age of opportunity.
Vila, A., Sedano, M., López, A., & Juan, A. (2004). Correlación lineal y análisis de
regresión. Universitat Oberta Catalunya, Barcelona