Regresión Lineal

Mg. Nemias Saboya

Temario

1. Regresión simple
2. Coeficiente de mínimos cuadrados
1. Desarrollo manual
2. Desarrollo usando el SPSS
3. Coeficiente de determinación
1. Calculo e interpretación.
Regresión lineal Simple
Es una técnica paramétrica
utilizada para predecir variables
numéricas, dependientes (Y),
dado un conjunto de variables
independientes(x). Es de
naturaleza paramétrica porque
hace ciertas suposiciones basadas
en el conjunto de datos.
(predicción)
Regresión lineal Simple - Ecuación

𝒚 = 𝒂 + 𝒃𝒙
Variable Variable
Intersección Pendiente
dependiente independiente
Regresión lineal Simple

•Permite determinar cuales son los coeficientes a

y b que relacionan linealmente la variable de
entrada X con la variable de salida Y
Regresión lineal Simple

El objetivo con Regresión Lineal

Simple es minimizar la distancia
vertical entre todos los datos y
nuestra línea, por lo tanto, para
determinar la mejor línea,
debemos minimizar la distancia
entre todos los puntos y la
distancia de nuestra línea.
Método de mínimo cuadrado
𝑛.σ 𝑥.𝑦−σ 𝑥.σ 𝑦
𝑏=
𝑛.σ 𝑥 2 − σ 𝑥 2
𝒚 = 𝒂 + 𝒃𝒙
σ 𝑦−𝑏.σ 𝑥
𝑎=
𝑛
 Desarrollo de casos

Caso A
Tiempo de descanso Eficiencia en Años (x) (Y) X*y X^2
Años
laboral programación 2005 0.5 0.39 0.195 0.25
2005 0.5 0.39 2006 1 0.53 0.53 1.00
2006 1 0.53 2007 0.45 0.34 0.153 0.20
2007 0.45 0.34 2008 1.5 0.74 1.11 2.25
2008 1.5 0.74 2009 0.25 0.23 0.0575 0.06
2009 0.25 0.23 2010 1.75 0.78 1.365 3.06
2010 1.75 0.78 2011 2 0.86 1.72 4.00
2011 2 0.86 2012 0.3 0.28 0.084 0.09
2012 0.3 0.28 2013 0.25 0.21 0.0525 0.06
2013 0.25 0.21 2014 0.5 0.39 0.195 0.25
2014 0.5 0.39 2015 2.5 0.93 2.325 6.25
2015 2.5 0.93 2016 3 0.98 2.94 9.00
2016 3 0.98 2017 2 0.89 1.78 4.00
2017 2 0.89 2018 1.5 0.78 1.17 2.25
2018 1.5 0.78 2019 1.3 0.63 0.819 1.69
2019 1.3 0.63
Sumatoria 18.8 8.96 14.496 34.42
 Desarrollo de casos

n 15

b 0.3008 =((H4*D20)-(B20*C20))/((H4*E20)-B20^2)

a 0.2203 =((C20-(H6*B20))/(H4)) Grafico de dispersion del modelo

1.2

𝒚 = 𝒂 + 𝒃𝒙
y = 0.3008x + 0.2203

0.8

y = 0.2203 + 0.3008 x 0.6

ECUACIÓN DE REGRESION 0.4

LINEAL
0.2

0
0 0.5 1 1.5 2 2.5 3 3.5
 Desarrollo de casos

Caso B

cant.auditoria/siste cant de quejas Empresa (x) (Y) X*y X^2

Empresa
ma (x) (Y)
Empresa A 0 25 0 0
Empresa A 0 25 1 18 18
Empresa B 1
Empresa B 1 18
Empresa C 2 11 22 4
Empresa C 2 11
Empresa D 2 12 24 4
Empresa D 2 12
Empresa E 4 3 12 16
Empresa E 4 3
Empresa F 3 8 24 9
Empresa F 3 8
Empresa G 3 6 18 9
Empresa G 3 6
Empresa H 3 7 21 9
Empresa H 3 7
Empresa I 4 3 12 16
Empresa I 4 3
Empresa J 2 12 24 4
Empresa J 2 12 1 17 17
Empresa K 1
Empresa K 1 17 1 15 15
Empresa L 1
Empresa L 1 15 0 23 0
Empresa M 0
Empresa M 0 23 Empresa N 3 7 21 9
Empresa N 3 7 Empresa O 2 13 26 4
Empresa O 2 13 Sumatoria 31 180 254 87
 Desarrollo de casos

n 15

b -5.1453 =((H4*D18)-(B18*C18))/((H4*E18)-B18^2)
Grafico de dispersion del modelo
a 22.6337 =((C18-(H6*B18))/(H4)) 30

25

𝒚 = 𝒂 + 𝒃𝒙 20

15

y = 22.6337 + -5.1453 x
10

ECUACIÓN DE REGRESION 5
LINEAL y = -5.1453x + 22.634
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
Desarrollo Con SPSS
Estadísticos
 Guardar

Gráficos
 Coeficiente de
determinación
La variable en estudio, tiempo de
descanso se relaciona directamente con la
variable eficiencia en programación de los
trabajadores de manera directa e intensa
con R= 0.971 y en un 94.3% la variable
tiempo de descanso afecta
significativamente a la eficiencia en
programación.
𝒚 = 𝟎. 𝟐𝟐𝟎 + 𝟎. 𝟑𝟎𝟏𝒙
Análisis de normalidad de datos
Sig > 0.05 => Los Sig > 0.05 =>
datos se Los datos se
comportan comportan
normalmente normalmente