MODELO DE REGRESIÓN LINEAL

(1) Y = BX + A + e (e= error)

B = Pendiente de la recta

A= Coeficiente de posición

X= Variable independiente

Y= Variable dependiente

(1.1) Pendiente: B

B= =

Representa el cambio promedio que experimenta la variable dependiente “y” por cada
unidad que cambia la variable independiente “x”

(1.2) Coeficiente de Posición: A

A= ̅–B* ̅

Representa el valor basal de la variable dependiente “y” cuando X= 0

COEFICIENTE DE CORRELACIÓN LINEAL: r

El coeficiente de correlación permite determinar el grado de asociación lineal existente entre dos
variables cuantitativas.

r=

Características:
1) -1 ≤ x ≤ 1
2) Valores de r cerca de cero, indican que la relación entre las variables es baja
3) Si el valor de r es cercano a 1, indica que la relación entre las variables x e y es
Directa y fuerte.
4) Si el valor de r es cercano a -1, indica que la relación entre las variables x e y es
inversa y fuerte.
Aquí la relación es lineal fuerte e inversa
Ejemplo: Se desea obtener un modelo lineal que permita predecir la utilidad (millones $)
obtenida en una empresa en función del capital invertido (millones $). Se tomó una
muestra de 10 empresas y se registró el valor de ambas variables

X Y x*y x*x (x2) y*y (y2)

1,8 9,5 17,1 3,24 90,25
2,5 11,2 28 6,25 125,44
3,2 12,7 40,64 10,24 161,29
3,9 14,5 56,55 15,21 210,25
4,6 16,1 74,06 21,16 259,21
5,3 17,9 94,87 28,09 320,41
6 19,7 118,2 36 388,09
6,7 21,2 142,04 44,89 449,44
7,6 23,4 177,84 57,76 547,56
8,1 24,7 200,07 65,61 610,09
49,7 170,9 949,37 288,45 3162,03

Cov(x,y) = ̅̅̅ - ̅ * ̅

= - *

Cov(x,y) = 94,937 – 4,97* 17,09 = 9,9997 ≈ 10

VARIANZA DE X

∑ ̅ ∑ ̅
=

–
=
 = 4,1 441
Desviación estándar de X: Gx = √ = 2,0357

VARIANZA DE Y
∑ ̅ ∑ ̅
=

= = 24,1349

Desviación estándar de Y: Gy =√ = 4,9127

Coeficiente de correlación lineal:

r: = = 0.999921

Pendiente: B

B= = = = 2,413

Coeficiente de Posición: A
A= ̅ - B * ̅ = 17,09 – 2,413 * 4,97= 5,097