Regresión Lineal Simple y Múltiple

Utilizando Excel
Instalación del Complemento Análisis de
Datos en Excel

Damos click
en el botón
“opciones de
Excel”, que
encontramos
en el menú de
inicio.
En la siguiente
ventana
damos click en
el botón
“ir…”, que
encontramos
en la pestaña
de
complementos,
luego de
haber
seleccionado
la opción,
Herramientas
para análisis.
Elegimos los
complementos
“herramientas
para análisis”
y
“herramientas
para análisis
– VBA”, y
aceptamos.
Aceptamos la
instalación del
complemento.

Esperamos un
momento a
que termine la
instalación.

Y por ultimo
encontramos el
complemento
“análisis de
datos”
instalado en la
pestaña datos.
REGRESION LINEAL SIMPLE

EJEMPLOS RESUELTOS
 Ejemplo 1: “Regresión Lineal Simple”

Los datos de la siguiente tabla representan las estaturas (X,

cm) y los pesos (Y, kg) de una muestra de 12 hombres
adultos. Para cada estatura fijada previamente se observó
el peso de una persona seleccionada de entre el grupo con
dicha estatura, resultando:
X 152 155 152 155 157 152 157 165 162 178 183 178
Y 50 61.5 54.5 57.5 63.5 59 61 72 66 72 84 82

Con estos datos plantear una ecuación de regresión simple

que nos permita pronosticar los pesos conociendo las tallas.
¿Cuánto se espera que pese (en promedio) una persona que
mide 1.60 m?
Desarrollo

El primer paso
es ingresar los
datos a
nuestra hoja
de Excel.
Luego en la pestaña
datos damos click en
la opción “Análisis
de datos” y
elegimos la función
Regresión.
Ingresamos los
rangos de nuestros
datos tanto de Y
como de X, si estos
rangos contienen los
títulos en la primera
casilla habilitamos la
opción de rótulos.
También podemos
elegir nuestro nivel
de confianza y
aceptamos.
Con ello
obtenemos el
resumen tal y
como se
muestra en la
figura.
Intercepción:
corresponde
al valor de la
constante en
la recta.

Estatura:
corresponde
al valor de la
pendiente de
la recta, si no
se colocó el
rotulo, en
lugar de
estatura
aparecerá X1
Correlación
de las
variables

Determinación
de las
variables

Desviación
estándar del
modelo
INTERPRETACIÓN DE LOS RESULTADOS EN EXCEL

 La ecuación que representa el modelo de regresión

lineal es:
Y = -75.4427 + 0.8676X
 Coeficiente de correlación lineal: R= 0.9379, es
decir, el modelo es lineal en un 93.79%.
 Coeficiente de determinación: R²=0.8796, es decir,
87.96% de los valores de las yes se pueden
predecir correctamente a través de los valores de
las equis.
 El valor de b = 0.8676 indica el incremento del
peso en kilogramos, en promedio, por cada
centímetro de aumento en la estatura de los
hombres adultos.
 ¿Cuánto se espera que pese (en promedio) una
persona que mide 1.60 m?. Sustituyendo el valor de
interés en la ecuación, se obtiene:
Y = -75.446 + 0.8676 * 160
Y = 63.37 Kg.
 Ejemplo 2: “Regresión Lineal Simple”

En cierto tipo de espécimen de prueba metálico, se

sabe que la tensión normal sobre este se relaciona de
manera funcional con la resistencia al corte. Los
siguientes son un conjunto de datos experimentales
obtenidos para las dos variables:
 Estime la recta de regresión

 Estime la resistencia al corte para una tensión

normal de 24.5 kilogramos por centímetro
cuadrado.
El primer paso
Tensión Normals, x Reistencia al corte, y
es ingresar los 26,8 26,5
datos a 25,4 27,3
nuestra hoja 28,9 24,2
de Excel.
23,6 27,1
27,7 23,6
23,9 25,9
24,7 26,3
28,1 22,5
26,9 21,7
27,4 21,4
22,6 25,8
25,6 24,9
Luego en la pestaña
datos damos click en
la opción “Análisis
de datos” y
elegimos la función
Regresión.
 Ingresamos
los rangos
de los datos
y habilitamos
la opción de
rótulos.
 Con ello
obtenemos Estadísticas de la regresión
el resumen Coeficiente de correlación
0,72226044
múltiple
Coeficiente de determinación
0,521660143
R^2
tal y como R^2 ajustado 0,46851127
se muestra Error típico
Observaciones
1,49920563
11
en la
ANÁLISIS DE VARIANZA
figura. Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
Regresión 1 22,06053322 22,06053322 9,81507441 0,012065166
Residuos 9 20,22855769 2,247617521
Total 10 42,28909091

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95,0%Superior 95,0%
Intercepción 43,34206731 5,588596406 7,755447729 2,83413E-05 30,69978394 55,98435067 30,69978394 55,98435067
26,5 -0,709134615 0,226350724 -3,132901915 0,012065166 -1,221175525 -0,19709371 -1,22117552 -0,19709371
 INTERPRETACION DE LOS RESULTADOS DE
EXCEL:

 La ecuación de la recta que representa el modelo

de regresión es:
y = 42.582 − 0.6861X.
 Coeficiente de correlación: R=0.72226044
 Coeficiente de determinación: R²=0.521660143
 El valor de b = − 0.6861 indica el incremento del
de la tensión normal de acuerdo a la resistencia de
corte.
 Estime la resistencia al corte para una tensión
normal de 24.5 kilogramos por centímetro
cuadrado
y = 42.582 − 0.6861x; x = 24.5
 y = 42.582 − (0.6861)(24.5) = 25.772.
REGRESION LINEAL MULTIPLE

EJEMPLO RESUELTO
 EJEMPLO No. 3 :“Regresión Lineal Múltiple”

Se realizo un experimento para determinar si

podía predecirse el peso de un animal después de
un periodo dado, sobre la base de su peso inicial y
la cantidad de alimento que había consumido. Se
registraron los siguientes datos, en kilogramos:
Peso 95 77 80 100 97 70 50 80 92 84
Final (Y)
Peso 42 33 33 45 39 36 32 41 40 38
Inicial
(x1)
Peso del 272 226 259 292 311 183 173 236 230 235
alimento
(x2)
El primer paso
es ingresar los
datos a
nuestra hoja
de Excel.
Luego en la pestaña
datos damos click en
la opción “Análisis
de datos” y
elegimos la función
Regresión. Excel no
hace diferencia
entre regresión
simple y múltiple.
Ingresamos los
rangos de nuestros
datos tanto de Y
como de X, para esta
se eligen las dos
columnas, tanto X1
como X2, si hay
títulos en la primera
fila habilitamos la
opción de rótulos.
Con ello
obtenemos el
resumen tal y
como se
muestra en la
figura.
La diferencia
entre los
resultados
obtenidos para
este ejemplo y
los de los
ejemplos de
regresión
simple es que
aparecen los
valores otro u
otros
coeficientes, ya
no solamente
el de X1.
Interpretación de los resultados de Excel

 La recta que representa el modelo de regresión

estimada es:
Y = -22.99316 + 1.39567 X1 + 0.21761X2
 Coeficiente de correlación múltiple: R= 0.934429
 Coeficiente de determinación: R²=0,87315
 El valor de b1 indica el incremento del peso final en
kilogramos, en promedio, por cada kilogramos de
aumento en el peso inicial de los animales.
 El valor de b2, indica el incremento del peso final en
kilogramos, en promedio, por cada kilogramo de
aumento en peso del alimento de los animales.
 Prediga el peso final de un animal que tenia un
peso inicial de 35 kilogramos y consumió 250
kilogramos de alimento.
Y = -22.99316 + 1.39567 x1 + 0.21761 x2
Y= -22.99316 + 1.39567(35) + 0.21761(250)
Y= 80.25874
Conclusión:
 La ecuación de Regresión Lineal múltiple, estimada
para las variables peso inicial y peso del alimento, se
muestran de acuerdo a un modelo de regresión lineal
múltiple.
 Esta relación se ha estimado en un Coeficiente de
correlación múltiple 0,93442 indica una fuerte relación
positiva.
 Además si consideramos el coeficiente de
determinación R2 0,87315 podemos indicar que el
87.32% de las variaciones que ocurren en el peso se
explicarían por las variaciones en la variables peso
inicial y peso del alimento.