Análisis Cuantitativo II

AGE-235

PAC – I-2021 (VIRTUAL)

TEMA: REGRESIÓN SIMPLE Y
CORRELACIÓN

Profesor: D. Eduardo Dubón

dennys.dubon@unah.edu.hn
Regresión/Correlación
Permite desarrollar un modelo de predicción de los
valores de una variable numérica con base en los
valores de otra diferente y cuantificar el efecto
identificando observaciones inusuales.

Por ejemplo:
• Predecir las ventas de un negocio de acuerdo a la
cantidad de vendedores con que cuente.
• Predecir la puntuación final del curso análisis
cuantitativo II según el método e evaluación
utilizado por el docente.
Variables Regresión/Correlación
1. Variable independiente (X) es la variable utilizada para predecir lo
que sucederá con la variable dependiente.
2. Variable dependiente (Y) es la variable que a la que se desea
predecir

Ambas se utilizan en un modelo de estimación de ecuación de

regresión:

Ŷ = a + b (X)

Donde:
Ŷ = variable dependiente o predecible
a = variable ordenada de Y
b = comportamiento tendencioso de Y
X = variable independiente o influyente
Coeficiente de determinación (r²)
El coeficiente de determinación es la principal forma en que podemos
medir el grado, o fuerza, de la asociación que existe entre dos variables,
X y Y. Debido a que usamos una muestra de puntos para desarrollar
rectas de regresión, nos referimos a esta medida como el coeficiente de
determinación muestral.
El coeficiente de determinación muestral se deriva de la relación entre
dos tipos de variación de los valores Y en un conjunto de datos
alrededor de la recta de regresión ajustada y su propia media.

Donde:
Y = Variable dependiente o de estimación
Ŷ = Valores estimados que corresponden a cada valor de Y
n = Tamaño de la muestra
Ȳ = Media de la variable Y
EJEMPLO
Tomando en cuenta la correlación de los ejercicios que se han
desarrollado a lo largo de esta unidad, consideraremos:

1. Para el primer caso

Mes Costo unitario Niveles actividad (H.M.)
Mar $ 3,170 3,700
Abr 2,930 1,600
May 2,770 4,100
Jun 3,550 4,900
Jul 3,310 3,300
Donde:
Ŷ = 2,722.76 + 0.1202 (3,700) = 3,167.50
Ŷ = 2,722.76 + 0.1202 (1,600) = 2,915.08
Ŷ = 2,722.76 + 0.1202 (4,100) = 3,215.58
Ŷ = 2,722.76 + 0.1202 (4,900) = 3,311.74
Ŷ = 2,722.76 + 0.1202 (3,300) = 3,119.42
EJEMPLO
Y (Costo por lote $) X (Horas maquina) Ŷ (Y - Ŷ)² Ȳ (Y - Ȳ)²
3,170.00 3,700 3,167.50 6.25 3,146.00 576.00
2,930.00 1,600 2,915.08 222.61 3,146.00 46,656.00
2,770.00 4,100 3,215.58 198,541.54 3,146.00 141,376.00
3,550.00 4,900 3,311.74 56,767.83 3,146.00 163,216.00
3,310.00 3,300 3,119.42 36,320.74 3,146.00 26,896.00
15,730.00 291,858.96 378,720.00
Media Y ..3146
5

= 1- 291,858.96 = 1-0.7706 ó 100-77.06=22.94%

378,720

R// El 22.94% indica el nivel de determinacion o grado de influencia que X (Horas

maquina) ha tenido sobre Y (Costo por lote en $) durante los cinco meses que se
tomaron como muestra, el otro 77.% corresponden a la influencia de otras variables X
que no se consideraron en la correlacion lineal.
EJEMPLO
2. Para el segundo caso de la capacitacion a los vendedores

Donde:
Ŷ = - 4.62 + 41.68 (5.0) = 103.75
Ŷ = - 4.62 + 41.68 (5.0) = 149.60
Ŷ = - 4.62 + 41.68 (5.0) = 95.41
Ŷ = - 4.62 + 41.68 (5.0) = 182.94
Ŷ = - 4.62 + 41.68 (5.0) = 103.75
Ŷ = - 4.62 + 41.68 (5.0) = 203.78
Ŷ = - 4.62 + 41.68 (5.0) = 112.08
Ŷ = - 4.62 + 41.68 (5.0) = 120.42
Ŷ = - 4.62 + 41.68 (5.0) = 162.10
Ŷ = - 4.62 + 41.68 (5.0) = 137.09
EJEMPLO
Y (Ventas) X (Calificacion) Ŷ (Y - Ŷ)² Ȳ (Y - Ȳ)²
95.00 2.6 -4.62 41.68 2.6 103.75 76.53 137.10 1,772.41
140.00 3.7 -4.62 41.68 3.7 149.60 92.08 137.10 8.41
85.00 2.4 -4.62 41.68 2.4 95.41 108.41 137.10 2,714.41
180.00 4.5 -4.62 41.68 4.5 182.94 8.64 137.10 1,840.41
100.00 2.6 -4.62 41.68 2.6 103.75 14.05 137.10 1,376.41
195.00 5.0 -4.62 41.68 5.0 203.78 77.09 137.10 3,352.41
115.00 2.8 -4.62 41.68 2.8 112.08 8.50 137.10 488.41
136.00 3.0 -4.62 41.68 3.0 120.42 242.74 137.10 1.21
175.00 4.0 -4.62 41.68 4.0 162.10 166.41 137.10 1,436.41
150.00 3.4 -4.62 41.68 3.4 137.09 166.62 137.10 166.41
1,371.00 961.07 13,156.90
Media Y ..137.10
10

= 1 - 961.07 = 1-0.0730 ó 100-7.30=92.70%

13,156.90
R// El 92.70% indica el nivel de determinacion o grado de influencia que X
(Calificacion en capacitacion) ha tenido sobre Y (Unidades vendidas) por los diez
vendedores que se tomaron como muestra, el otro 7.30% corresponden a la
influencia de otras variables X que no se consideraron en la correlacion lineal.
EJEMPLO
Un consultor está interesado en el grado de precisión con que un nuevo
índice de desempeño laboral mide lo que es importante para una
corporación. Una forma de verificarlo es analizar la relación entre el
índice de evaluación del trabajo y el salario de un empleado.

Se tomó una muestra de ocho empleados y se recabó información del

salario (en miles de Lempiras) y el índice de evaluación del trabajo (1 a
10, donde 10 es la mejor calificación):

Índice 9 7 8 4 7 5 5 6
Salario 16 25 13 15 18 19 20 12

Calcule el coeficiente de determinación de la muestra, r², para estos

datos.
EJEMPLO
PASO 1: DESPEJAR ECUACION DE ESTIMACION

Ŷ = a + b (X) = 6.90 + (-0.0304) (X)

_
a = Ȳ – b (X) = 6.38 – (-0.0304)(17.25) = 6.90
Ȳ = 6.38
b
_ = -0.0304
X = 17.25

b = ∑XY - nȲX
_ =
876 – 8 (17.25)(6.38)
= -3.75 .
= -0.0304
∑X² - nX² 2,504 – 8 (17.25)² 123.50

NOTA: En la siguiente pagina se muestran los calculos de todas las

variables
EJEMPLO
Y (Indice X (Salario
XY X² Ŷ = a+b(x) (Y - Ŷ)² Ȳ (Y - Ȳ)²
Desempeño) mensual)
9.00 16 144.0 256.0 6.90+(-0.0304)(16) 6.41 6.69 6.38 6.89
7.00 25 175.0 625.0 6.90+(-0.0304)(25) 6.14 0.74 6.38 0.39
8.00 13 104.0 169.0 6.90+(-0.0304)(13) 6.50 2.24 6.38 2.64
4.00 15 60.0 225.0 6.90+(-0.0304)(15) 6.44 5.97 6.38 5.64
7.00 18 126.0 324.0 6.90+(-0.0304)(18) 6.35 0.42 6.38 0.39
5.00 19 95.0 361.0 6.90+(-0.0304)(19) 6.32 1.75 6.38 1.89
5.00 20 100.0 400.0 6.90+(-0.0304)(20) 6.29 1.67 6.38 1.89
6.00 12 72.0 144.0 6.90+(-0.0304)(12) 6.54 0.29 6.38 0.14
51.00 138 876.00 2,504.00 19.76 19.88
Media Y 6.38 17.25
8 8

= 1 - 19.76 = 1-0.9943 ó 100-99.43=0.57%

19.88
R// El 0.57% indica el nivel de determinacion o grado de influencia que X (Salario
mensual) ha tenido sobre Y (Indice de desempeño) en los ocho empleados que se
tomaron como muestra, el otro 99.43% corresponden a la influencia de otras
variables X que no se consideraron en la correlacion lineal.