EJERCICiO 1 DE REGRESIÓN LINEAL (Datos originales)

Ejemplo 1: Realizar el ajuste lineal para el siguiente conjunto de datos

n X Y 𝑋^2 XY 𝑌^2
1 -2 13 4 -26 169
2 -1 24 1 -24 576
3 0 39 0 0 1521
4 1 65 1 65 4225
5 2 106 4 212 11236
0 247 10 227 17727

DATOS ORIGINALES
120

100
f(x) = 22.7 x + 49.4
80
R² = 0.932617823789184
60

40

20

1. establecer modelo 0 simple

-2.5 -2 -1.5de regresión
-1 -0.5lineal
0 0.5 1 1.5 2 2.5

y= a+bx

2. definir las formulas para los coeficientes a y b

𝒂=(𝜮𝒚𝜮𝒙^𝟐−𝜮𝒙𝜮𝒙𝒚)/(𝒏𝜮𝒙^𝟐− 〖 (𝜮𝒙) 〗 ^𝟐 )
𝒃=(𝒏𝜮𝒙𝒚−𝜮𝒙𝜮𝒚)/(𝒏𝜮𝒙^𝟐− 〖 (𝜮𝒙) 〗 ^𝟐 )

3. sustituir los valores de a y b en las fórmulas

𝒂=((𝟐𝟒𝟕)(𝟏𝟎)−(𝟎)(𝟐𝟐𝟕))/((𝟓)(𝟏𝟎)− 〖 (𝟎) 〗 ^𝟐 )=𝟐𝟒𝟕𝟎/𝟓𝟎=𝟒𝟗.𝟒

𝟓)(𝟐𝟐𝟕)−(𝟎)(𝟐𝟒𝟕))/((𝟓)(𝟏𝟎)− 〖 (𝟎) 〗 ^𝟐 )=𝟏𝟏𝟑𝟓/𝟓𝟎=𝟐𝟐.𝟕

𝟓)(𝟐𝟐𝟕)−(𝟎)(𝟐𝟒𝟕))/((𝟓)(𝟏𝟎)− 〖 (𝟎) 〗 ^𝟐 )=𝟏𝟏𝟑𝟓/𝟓𝟎=𝟐𝟐.𝟕

4. sustituir los valores de a y b en el modelo con los valores de predicción.

X=1.5 y X= 3

𝒚_(𝟏.𝟓)=𝟒𝟗.𝟒+𝟐𝟐.𝟕(𝟏.𝟓)=𝟖𝟑.𝟒𝟓
𝒚_𝟑=𝟒𝟗.𝟒+𝟐𝟐.𝟕(𝟑)=𝟏𝟏𝟕.𝟓
5. Calcular el coeficiente de determinación y el coeficiente de correlación

〖 (𝒏𝜮𝒙𝒚−𝜮𝒙𝜮𝒚) 〗 ^𝟐/((𝒏𝜮𝒙^𝟐−(𝚺𝒙)^𝟐)(𝒏𝜮𝒚^𝟐−(𝚺𝒚)^𝟐))

𝒓^𝟐= 〖 ((𝟓)(𝟐𝟐𝟕)−(𝟎)(𝟐𝟒𝟕)) 〗 ^𝟐/(((𝟓)(𝟏𝟎)−(𝟎)^𝟐)((𝟓)(𝟏𝟕𝟕𝟐𝟕)−(𝟐𝟒𝟕)^𝟐))=𝟏𝟐𝟖𝟖𝟐𝟐𝟓/𝟏𝟑𝟖𝟏𝟑𝟎𝟎=𝟎.𝟗𝟑

DATOS AJUSTADOS

𝒓=√(𝟎.𝟗𝟑)=𝟎.𝟗𝟔
X Y
-2 4
-1 26.7
0 49.4
1 72.1
2 94.8

DATOS AJUSTADOS
100
f(x) = 22.7 x + 49.4 90
R² = 1 80
70
60
50
40
30
20
10
0
-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5
𝟐𝟓/𝟏𝟑𝟖𝟏𝟑𝟎𝟎=𝟎.𝟗𝟑
 EJERCICIO 2 DE REGRESIÓN LINEAL (Datos originales)
(Webster;2000, p.p. 328-329)

Se asume que Vita+Plus Inc. Recolectará datos sobre los gastos publicitarios y
los ingresos en venta de 5 meses

n Ventas US Publicidad 𝑋^2 XY 𝑌^2

$1000 (x) US $1000
(y)

1 450 50 202500 22500 2500

2 380 40 144400 15200 1600
3 540 65 291600 35100 4225
4 500 55 250000 27500 3025
5 420 45 176400 18900 2025
∑ 2290 255 1064900 119200 13375

Datos originales
70
60 f(x) = 0.149875621890547 x − 17.6430348258706
R² = 0.976216888530321
50
40
30
20
10
0
360 380 400 420 440 460 480 500 520 540 560

1. establecer modelo de regresión lineal simple

y= a+bx

2. definir las formulas para los coeficientes a y b

𝒂=(𝜮𝒚𝜮𝒙^𝟐−𝜮𝒙𝜮𝒙𝒚)/(𝒏𝜮𝒙^𝟐− 〖 (𝜮𝒙) 〗 ^𝟐 )
𝒃=(𝒏𝜮𝒙𝒚−𝜮𝒙𝜮𝒚)/(𝒏𝜮𝒙^𝟐− 〖 (𝜮𝒙) 〗 ^𝟐 )

3. sustituir los valores de a y b en las fórmulas

𝟓𝟓)(𝟏𝟎𝟔𝟒𝟎)−(𝟐𝟐𝟗𝟎)(𝟏𝟏𝟗𝟐𝟎𝟎))/((𝟓)(𝟏𝟎𝟔𝟒𝟗𝟎𝟎)− 〖 (𝟐𝟐𝟗𝟎) 〗 ^𝟐 )=−𝟏𝟒𝟏𝟖𝟓𝟎𝟎/𝟖𝟎𝟒𝟎𝟎=−𝟏𝟕.𝟔𝟒

𝟎)−(𝟐𝟐𝟗𝟎)(𝟐𝟓𝟓))/((𝟓)(𝟏𝟎𝟔𝟒𝟗𝟎𝟎)− 〖 (𝟐𝟐𝟗𝟎) 〗 ^𝟐 )=𝟏𝟐𝟎𝟓𝟎/𝟖𝟎𝟒𝟎𝟎=𝟎.𝟏𝟓

 4. sustituir los valores de a y b en el modelo con los valores de predicción.

𝒚_((𝒙))=−𝟏𝟕.𝟔𝟒+𝟎.𝟏𝟓𝒙

5. Calcular el coeficiente de determinación y el coeficiente de correlación

= 〖 (𝒏𝜮𝒙𝒚−𝜮𝒙𝜮𝒚) 〗 ^𝟐/((𝒏𝜮𝒙^𝟐−(𝚺𝒙)^𝟐)(𝒏𝜮𝒚^𝟐−(𝚺𝒚)^𝟐))

(𝟓)(𝟏𝟏𝟗𝟐𝟎𝟎)−(𝟐𝟐𝟗𝟎)(𝟐𝟓𝟓)) 〗 ^𝟐/(((𝟓)(𝟏𝟎𝟔𝟒𝟗𝟎𝟎)−(𝟐𝟐𝟗𝟎)^𝟐)((𝟓)(𝟏𝟑𝟑𝟕𝟓)−(𝟐𝟓𝟓)^𝟐))
𝟓𝟎𝟎/𝟏𝟒𝟖𝟕𝟒𝟎𝟎𝟎𝟎=𝟎.𝟗𝟕𝟔

𝒓=√(𝟎.𝟗𝟕𝟔)=𝟎.988
DATOS AJUSTADOS
n Ventas US Publicidad
$1000 (x) US $1000
(y)

1 450 49.86
2 380 39.36
3 540 63.36
4 500 57.36
5 420 45.36
∑ 2290 255.3

Datos Ajustados
70

60 f(x) = 0.15 x − 17.64

R² = 1
50

40

30

20

10

0
360 380 400 420 440 460 480 500 520 540 560
𝟎/𝟖𝟎𝟒𝟎𝟎=−𝟏𝟕.𝟔𝟒

𝟎/𝟖𝟎𝟒𝟎𝟎=𝟎.𝟏𝟓