Quinta unidad.

▪ La regresión y la correlación son las dos herramientas estadísticas más

poderosas y versátiles que se pueden utilizar para solucionar
problemas comunes en los negocios.
▪ Se basa en poder identificar y cuantificar alguna relacional funcional
entre dos o más variables (variable dependiente y variable
independiente).
▪ Variable dependiente: es la variable que se desea explicar o predecir,
llamada también variable de respuesta.
▪ Variable independiente: llamada también variable explicativa o
regresor.
▪ Regresión simple: solamente dos
variables.
▪ Regresión múltiple: es una función
de dos o más variables
independientes.
▪ La ecuación de la recta es:

▪ 𝑦 = 𝑏𝑜 + 𝑏1 𝑋
▪ Donde 𝑏𝑜 es el intercepto y 𝑏1 es la pendiente de la recta.

Las relaciones entre variables son determinísticas o aleatorias.

▪ 𝑦 = 𝑎 + 𝑏𝑥
▪ Sumas de cuadrados:
𝑆𝑥𝑦
▪𝑏 =
𝑆𝑥𝑥
2 σ 𝑥𝑖 2
▪ 𝑆𝑥𝑥 = σ 𝑥𝑖 −
𝑛
σ 𝑥𝑖 σ 𝑦𝑖
▪ 𝑆𝑥𝑦 = σ 𝑥𝑖 𝑦𝑖 −
𝑛

▪𝑎 = 𝑦
ത − 𝑏𝑥ҧ
▪ Las siguientes son mediciones de la velocidad del aire y el coeficiente de
evaporación de gotas de combustible quemado en un motor de impulso:
Velocidad del aire (cm/s) X Coeficiente de evaporación (𝑚𝑚2 /𝑠) 𝑌
20 0.18
60 0.37
100 0.35
140 0.78
180 0.56
220 0.75
260 1.18
300 1.36
340 1.17
380 1.65

Ajuste una línea recta a tales datos usando el método de mínimos cuadrados;
úsela para estimar el coeficiente de evaporación de una gotita cuando la
velocidad del aire sea de 190 cm/s.
Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.95148137
Coeficiente de determinación R^2 0.9053168
R^2 ajustado 0.8934814
Error típico 0.15905212
Observaciones 10
▪ El modelo es lineal en un 95.15%.
▪ El coeficiente de evaporación se puede predecir en un 90.53%
correctamente a través de los valores de la velocidad del aire.

Velocidad del aire Curva de regresión ajustada

1.8 1.8

1.6
y = 0.0038x + 0.0692 1.6
R² = 1
Coeficiente de evaporación

1.4 1.4 Coeficiente de

evaporación
1.2 1.2

1 1 Pronóstico
Coeficiente de
0.8 0.8 evaporación

0.6 0.6 Lineal (Pronóstico

Coeficiente de
0.4 0.4 evaporación)

0.2 0.2

0 0
0 50 100 150 200 250 300 350 400
Velocidad del aire
La siguiente tabla indica cuántas semanas ha trabajado una muestra de 6 personas en una estación
de inspección automotriz, así como el número de automóviles que cada uno inspeccionó entre
mediodía y las 2 p.m. en un día dado:
Número de semanas Número de autos
empleadas inspeccionados
X Y
2 13
7 21
9 23
1 14
5 15
12 21
Con base a la siguiente información conteste:
-4
Estadísticas de la regresión
Coeficiente de correlación múltiple 0.87404498
Coeficiente de determinación R^2 0.763954627
R^2 ajustado 0.704943284
Error típico 2.340559697
Observaciones 6

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
Regresión 1 70.92045455 70.92045455 12.9458946 0.022797883
Residuos 4 21.91287879 5.478219697
Total 5 92.83333333

Coeficientes Error típico Estadístico t Probabilidad

Intercepción 12.4469697 1.775986062 7.008483886 0.0021822
x 0.897727273 0.249504502 3.598040377 0.02279788
1. Encuentre la ecuación que le permita predecir el
número de autos inspeccionados en términos del
número de semanas empleadas.
2. ¿Cuál es la variable dependiente?
3. ¿Cuál es la variable independiente?
4. ¿Cuál es el error de estimación?
5. ¿Con qué porcentaje de confiabilidad se puede
predecir el número de autos inspeccionados a través
del número de semanas empleadas (de 12:00 a 14:00
horas)?
▪ Se cree que la energía eléctrica consumida cada mes en cientos de kw-hora por
una planta química está relacionada con la temperatura ambiental promedio X1,
el número de días del mes X2, la pureza promedio del producto X3 y las
toneladas fabricadas del producto X4. Se dispone de datos históricos que se
presentan en la siguiente tabla:
y x1 x2 x3 x4
240 25 24 91 100
236 31 21 90 95
290 45 24 88 110
274 60 25 87 88
301 65 25 91 94
316 72 26 94 99
300 80 25 87 97
296 84 25 86 96
267 75 24 88 110
276 60 25 91 105
288 50 25 90 100
261 38 23 89 98
▪ Calcule el modelo de regresión lineal.
▪ Prediga el consumo de energía para un mes en que
X1=75˚F, X2= 24 días, X3= 90% y X4=98 toneladas.
▪ Estime el error de estimación.
▪ Calcule e interprete los coeficientes de correlación y
determinación.
 Coeficientes Error típico ▪ El modelo está dado por: Y=-
102.7132 + 0.6053X1 +
Intercepción -102.71324 207.858851 8.9836X2 + 1.4374X3 +
0.01360X4
x1 0.60537054 0.36889695
▪ Cuando X1=75˚F, X2= 24 días,
x2 8.9236442 5.30052224 X3= 90% y X4=98 toneladas Y
= 287.5618 cientos de kw-hora.
x3 1.43745673 2.39162051 ▪ El error de estimación es de
x4 0.01360931 0.73382144 15.57
▪ Correlación R = 0.8629 y
determinación 𝑹𝟐 = 𝟎. 𝟕𝟒𝟒𝟕