Regresión  Lineal  Simple  

Javiera  Errázuriz  Díaz  
 

 
 
 
 
 
 
 
 
 
 
 

Regresión  Lineal  Simple  

 
 
 
 
 

Técnico  de  nivel  superior  en  Administración  

General  
Estadística  
 
 
 
 
 
 
 
 
 
 
  Antofagasta,  marzo  de  2020  
   
Unidad  1   Estadística  descriptiva  
Resultado   Aplica  herramientas  de  la  estadística  descriptiva  para  el  procesamiento    
de  Aprendizaje     e  interpretación  de  la  información  para  la  toma  de  decisiones  en  problemas  
asociados  a  su  entorno  laboral.  
 
INSTITUTO  PROFESIONAL  IPG»1  
 
 
  
Regresión  Lineal  Simple  
Javiera  Errázuriz  Díaz  
 

      UNIDAD  III:  REGRESIÓN  LINEAL  SIMPLE  

 
                       Corresponde  al  análisis  de  la  relación  o  dependencia  entre  variables  junto  al  coeficiente  de  
correlación.  
 
                           El  objetivo  de  tener  un    modelo  de  regresión  es  tratar  de  explicar  la  relación  existente  entre  
una  variable  dependiente  (variable  respuesta)  y  un  conjunto  de  variales  independietnes  (variables  
explicativas).  En  un  modelo  de  regresión  lineal  simple  se  trata  de  explicar  esta  relación  entre  las  
variables  X  e  Y.  
•   X:  Variable  independiente  o  explicativa  
•   Y:  variables  dependiente  o  respuesta  
 
Ejemplos:  
o   Estudiar  como  influye  la  estatura  de  un  padre  sobre  la  estatura  de  su  hijo.  
o   Predecir   el   tiempo   de   computación   de   un   programa   en   función   de   la   velocidad   del  
procesador.  
o   Estimar  el  precio  de  una  casa  en  relación  a  su  superficie.  
 
Puede  ser  determinística:  Ocurre  cuando  se  concoe  el  valor  de  X,  el  valor  de  Y  queda  perfectamente  
establecido:  
    Y=  f(x)  
 
Ejemplo:  La  relación  existente  entre  la  temperatura  en  grados  centígrados  (X)  y  grados  Fahrenheit  
(Y)  es:  
    Y=  1,8X  +  32  

 
 
No  determiística:  Conocido  el  valor  de  X,  el  valor  de  Y  no  queda  establecido,  siendo  del  tipo:  
    Y  =  f(x)  +  u  
 
En  donde  u  es  una  variable  aleatoria.  
Ejemplo:  Se  tiene  una  muestra  del  volumen  de   producción   (X)   y  el  costo  total   (Y)   asociado  a  un  
producto  en  un  grupo  de  empresas.    
Hay  relación  pero  no  es  exacta.  
INSTITUTO  PROFESIONAL  IPG»2  
 
 
  
Regresión  Lineal  Simple  
Javiera  Errázuriz  Díaz  
 

 
 
 
Los  diagramas  anteriores  o  nubes  de  puntos,  permiten  obtener  información  sobre  el  tipo  de  
relación  que  hay  entre  las  dos  variables  en  estudio  (X  e  Y),  además    cuáles  son  los  valores  anómalos  
presentes.   De   forma   explicativa   se   presenta   el   siguiente   gráfico   de   dispersión,   en   donde   se  
representan  las  alturas  y  los  pesos  de  30  individuos,  se  evidencia  que  a  mayor  altura  (variable  X)  
aumenta  la  variable  peso  (Y).  Se  grafican  las  variabales  como  (X,Y)  
 

 
 
 
 
El   coeficiente   de   correlación   determina   el   grado   de   asociación   lineal   entre   X   e   Y,   sin  
establecer  a  priori  ninguna  direccionalidad  en  la  relación  entre  ambas  variables.      
La  regresión  lineal  simple,  permite  cuantificar  el  cambio  en  el  nivel  medio  de  la  variable  Y  a  medida  
que   varía   X,   asumiendo   que   X   es   la   variable   explicativa   o   independiente   e   Y   como   la   variable  
respuesta  o  dependiente.  
INSTITUTO  PROFESIONAL  IPG»3  
 
 
  
Regresión  Lineal  Simple  
Javiera  Errázuriz  Díaz  
 

La  relación  entre  las  variables  puede  ser  directa  (pendiente  positiva)  o  inversa  (pendiente  negativa):  

 
 

Coeficiente  de  correlación  Lineal  de  Pearson  (r)  

 
Corresponde  al  estimador  muestral  más  usado  para  evaluar  la  asocicación  lineal  entre  dos  
variables  (X  e  Y).  Se  simboliza  con  la  letra  r,  y  es  otra  medida  de  asociación  que  proporciona  el  grado  
de   relación   lineal   que   existe   entre   las   variables,   esto   es,   mide   si   los   puntos   tienen   tendencia   a  
ubicarse  en  una  línea  recta.  Los  valores  que  toma  van  entre  -­‐1  y  1.    
Es  un  método  estadístico  paramétrico,  por  utilizar  la  media,  varianza  y,  por  tanto,  necesitar  
criterior  de  normalidad  para  las  variables.  e  calcula  de  la  siguiente  forma:  
 
 
 
 
 
 
 
 
 
 
 
La  ecuación  simplificada  queda  como:  

INSTITUTO  PROFESIONAL  IPG»4  

 
 
  
Regresión  Lineal  Simple  
Javiera  Errázuriz  Díaz  
 

 
 
 
 
 
 
 
 
 
 
Si  r  >  0,  existe  relación  lineal  directa  entre  las  variables.  
Si  r  <  0,  existe  relación  lineal  inversa  entre  las  variables.  
Si  r  =  1,  existe  relación  lineal  directa  entre  las  variables,  están  sobre  una  línea  recta  con  pendiente  
positiva.  
Si  r  =  -­‐1,  existe  una  relación  lineal  inversa  entre  las  variables,  esto  quiere  decir  que  están  en  una  
línea  recta  con  pendiente  negativa.  
Si  r  =  0,  no  existe  dependencia  lineal  entre  las  variables.  Son  incorreladas.  
 
Cuando  r  es  próximo  a  1  (recta  lineal  creciente  de  izquierda  a  derecha)  o  r  es  cercano  a  -­‐1  (recta  
lineal  decreciente).  Hay  una  relación  fuerte  entre  las  variables.  
 
 
 
 
 
 
Ejemplos:  
 

 
INSTITUTO  PROFESIONAL  IPG»5  
 
 
  
Regresión  Lineal  Simple  
Javiera  Errázuriz  Díaz  
 

Figura:  Tomada  desde  Laguna,  C.,    Instituto  Aragonés  de  Ciencias  de  la  Salud.  
 
Se  considera  que  una  correlación  es  baja  por  debajo  de  0,3  en  valor  absoluto,  que  es  moderada  
entre  0,3  y  0,7  y,  de  carácter  alto  si  está  por  sobre  los  0,7.  
 
        Covarianza  
 
Esta   medida   entrega   información   de   cómo   varían   dos   variables   de   manera   conjunta,   es  
decir,  como  covarían.  Si  las  dos  variables  varían  en  forma  conjunta  y  en  el  mismo  sentido,  ambas  
aumentan  o  disminuyen,  están  relacionadas  de  forma  directa.  En  cambio,  si  las  variables  varían  en  
sentido  contrario,  o  sea  una  de  las  variables  aumenta  mientras  que  la  otra  disminuye,  ambas  están  
relacionadas  de  forma  inversa.  
 
 
 
 
 
 
 
 
•   Si  la  Cov  =  0,  no  existe  relación  entre  las  variables.  
•   Si  la  Cov  >  0,  hay  una  relación  directa  entre  las  variables,  es  decir,  si  una  aumenta,  la  otra  
también.  
•   Si  la  Cov  <  0,  existe  una  relación  inversa  entre  las  variables,  es  decir,  si  una  disminuye,  la  
otra  aumenta.  
El  signo  de  la  covarianza  indica  la  posición  de  la  nube,  si  es  creciente  o  decreciente.  Como  se  indica  
en  la  siguiente  figura.  
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
INSTITUTO  PROFESIONAL  IPG»6  
 
 
  
Regresión  Lineal  Simple  
Javiera  Errázuriz  Díaz  
 

 
 
Medidas  de  variabilidad  relativa  
 
Las  medidas  de  dispersión  son  absolutas  y  con  un  único  dato  de  su  valor  no  es  posible  decir  
si  tenemos  una  dispersión  importante  o  no.  Para  dar  solución  a  este  problema,  se  definen  medidas  
de   dispersión   relativas,   independientes   de   las   unidades   usadas.   Estas   dispersiones   relativas  
permitirán   comparar   la   dispersión   entre   diferentes   muestras   (con   diferentes   unidades).   La   más  
destacada  corresponde  al  coeficiente  de  variación  de  Pearson.  
 
Coeficiente  de  variación    
 
Se  define  como  el  cociente  entre  la  desviación  típica  y  la  media  aritmética.  Este  coeficiente  
no  se  puede  calcular  cuando  la  media  aritmética  es  0  o  presenta  valores  negativos,  normalmente  el  
CV,  se  expresa  en  porcentaje,  a  mayor  CV,  mayor  será  la  dispersión  de  los  datos.    
 
 
 
 
 
Se  presentan  variaciones  de  este  coeficiente,  en  donde  se  emplea  la  variación    o  desviación  
media  en  vez  de  la  media  aritmética.  Teniendo  dos  posibles  cálculos,  dependiendo  de  si  se  calcula  
respecto  de  la  media  aritmética  o  respecto  de  la  mediana.  
 
 
 
 
 
Ejemplo:  Cálculo  del  coeficiente  de  variación  de  los  siguientes  ejemplos.  
 
 
 
 
 
 
Figura  3:  Cálculo  del  coeficiente  de  variación  de  los  siguientes  ejemplos.  Tomado  desde  Gorjas  et  
al.,  2011.  
 
Condiciones  de  la  aplicación  de  la  correlación:  
•   Para   variables   cuantitativas.   SI   tenemos   variables   ordinales,   utilizar   coeficiente   de  
Spearman.  
•   Normalidad  de  ambas  variables.  
•   Independencia,    sólo  hay  una  observación  de  cada  variable  para  cada  individuo.  
 
Coeficiente   de   asimetría   de   Fisher:   Se   define   como   el   cociente   entre   el   momento   de   orden   3  
respecto  a  la  media  y  el  cubo  de  la  desviación  típica.  En  el  caso  de  una  disrtibución  simétrica,  las  
INSTITUTO  PROFESIONAL  IPG»7  
 
 
  
Regresión  Lineal  Simple  
Javiera  Errázuriz  Díaz  
 

desviaciones  respecto  de  la  media  se  anularían  y  el  coeficiente  de  asimetría  será  nulo  (g1=0).  En  caso  
contrario,  g1  tendrá  valores  positivos  para  una  simetría  positiva  (hacia  la  derecha)  y  negativos  (hacia  
la   izquierda).   La   división   por   el   cubo   de   la   desviación   típica   se   hace   para   que   el   coeficiente   sea  
adimensional  y,  por  lo  tanto,  comparable  entre  diferentes  muestras.  
 
 
 
 
 
Coeficiente  de  asimetría  de  Pearson:  Este  coeficiente,  también  es  adimensional,  similar  al  de  Fisher,  
es  nulo  para  una  distribución  simétrica  (media  y  moda  coinciden)  y  tanto  más  positivo  o  negativo,  
cuanto  más  sesgada  esté  la  distribución  hacia  la  derecha  o  hacia  la  izquierda.  Está  definido  como:  
 
 
 
 
Coeficiente  de  Curtosis:    Una  característica  importante  es  también  la  forma  en  que  se  distribuyen  
los  datos  de  la  muestra,  esto  es,  cómo  es  el  agrupamiento  en  torno  al  valor  central.  Los  datos  se  
pueden  distribuir  en  forma  tal  que  tengamos  una  gran  pico  en  el  histograma  alrededor  del  valor  
central,  en  cuyo  caso  hay  una  distribución  leptocúrtica,  en  caso  contrario,  el  histograma  puede  estar  
aplanado,  correspondiendo  a  una  distribución  platicúrtica.  En  presencia  de  un  caso  intermedio,  se  
dice  que  es   una   distribución   mesocúrtica   y   el   agrupamiento   es   de   una   distribución   normal   o   en  
forma   de   campana   de   Gauss.   Este   agrupamiento   de   datos   se   llama   curtosis   y   la   forma   de  
cuantificarla  es  a  través  del  coeficiente  de  curtosis,  definido  como  el  cociente  entre  el  momento  de  
cuarto   orden   respecto   a   la   media   y   la   cuarta   potencia   de   la   desviación   típica.   Es   un   coeficiente  
adimensional  y  sus  mayores  valores  son  cuanto  más  puntiaguda  es  la  distribución,  teniendo  un  valor  
de  3  para  la  distribución  mesocúrtica  o  normal,  mayor  que  3  para  la  leptocúrtica  y  menor  a  3  para  
la  platicúrtica.  
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
INSTITUTO  PROFESIONAL  IPG»8  
 
 
  
Regresión  Lineal  Simple  
Javiera  Errázuriz  Díaz  
 

Figura  4:  Distribuciones  con  diferente  grado  de  apuntamiento  para  el  coeficiente  de  curtosis,  siendo  
leptocúrtica  con  g2   >  3;  mesocúrtica  con  g2=3  y  platicúrtica  con  g2<  3.  Tomado  desde  Gorjas  et  al.,  
2011.  
 
Criterios  de  homogeneidad:  Un  estudio  estadístico  de  datos  requiere  que  éstos  sean  de  la  misma  
naturaleza,  origen  y  obtenidos  bajo  procedimientos  semejantes.  Cuando  la  serie  de  datos  presenta  
una  no  homogeneidad  se  le  deben  hacer  ajustes  para  que  las  estimaciones  estadísticas  estén  lo  más  
cerca  posible  de  las  estimaciones  de  los  parámetros  observados.  
 
Causas  de  pérdida  de  la  homogeneidad:    
•   Mal  estado  en  los  instrumentos.  
•   Cambio  del  observador.  
•   Cambio  del  instrumento  o  condiciones  de  uso  de  éste.  
•   Cambio  en  los  métodos  de  depuración  de  datos.  
•   Modificaciones  del  ambiente.  
Para  determinar  si  la  muestra  es  homogénea  se  realizan  test  estadísticos:  
 
•   Test  paramétrico:  Estos  test  asumen  distribuciones  estadísticas  subyacentes  a  los  
datos  y  deben  cumplir  condiciones  de  validez,  de  modo  que  el  resultado  sea  fiable.  
•   Test  no  paramétrico:  Estos  test  no  deben  ajustarse  a  ninguna  distribución,  pueden  
aplicarse  aunque  no  se  cumplan  las  condiciones  de  validez  paramétricas.  Validan  un  
rango  más  amplio  de  situaciones.  
•    
Coeficiente  de  determinación  (r2):  
 
Es  otra  medida  de  asociación  e  indica  la  proporción  de  la  variación  de  y  que  se  debe  a  la  
relación  lineal  entre  x  e  y.  Este  valor  siempre  es  positivo  y  menor  a  1.  Para  obtener  en  porcentaje,  
se  debe  multiplicar  por  100.  
 
      Regresión  Lineal  
 
  Cuando  se  tiene  una  serie  de  datos  graficados  en  un  diagrama  de  dispersión,  podemos  saber  
cuál   es   la   tendencia   de   los   datos,   es   decir,   a   qué   tiende   el   comportamiente   de   los   datos.   Se  
determina  con  una  función  lineal  que  aproxime  los  valores  de  la  variable  dependiente  a  partir  de  la  
variable  independiente.  Se  calcula  de  la  siguiente  forma:  
     
          y=  a  +  bx  

 
 
 
 
INSTITUTO  PROFESIONAL  IPG»9  
 
 
  
Regresión  Lineal  Simple  
Javiera  Errázuriz  Díaz  
 

 
        BIBLIOGRAFÍA  
 
Canavos   G.,   2003.   Probabilidades   y   Estadísticas,   Aplicaciones   y   Métodos.   McGraw-­‐Hill,  
Interamericana  de  México.  
Levine,   D.,   T.Krehbiel   y   M.   Berenson,   2006.   Estadística   para   la   administración,   4ª   edición,  
Méximo,  editorial  Pearson.  
Lind,  D.,  M.  Willima  y  S.  Wathen,  2005.  Estadísticas  aplicadas  a  los  negocios  y  a  la  economía,  
12º  edición,  México,  editorial  McGraw-­‐Hill  
Gorgas   J.,   Cardiel   N.,   Zamorano   J.,   2011.   Estadística   básica   para   estudiantes   de   ciencias,  
departamento  de  Astrofísica  y  Ciencias  de  la  Atmósfera,  Facultad  de  Ciencias  Fïsicas,  Universidad  
Complutense  de  Madrid.  
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

INSTITUTO  PROFESIONAL  IPG»10