UNIVERSIDAD CATÓLICA DE HONDURAS

“Nuestra señora reina de la paz”

Asignación: Aplicaciones de Regresión Simple

Alumno: Génesis Dayanna Bustillo Zelaya

No. De Cuenta: 0801-2003-12540

Clase: Estadística II

Docente: Ing. Sofía Varela

Sección/Período: MT302 HND 0801 2021 2

Lugar y Fecha: Tegucigalpa M.D.C 27/06/21

 Introducción

La finalidad de este trabajo es presentar un modelo estadístico básico. Este es

el modelo de regresión lineal, que se usa para expresar la relación lineal que
pueda existir entre los valores de una variable y los valores de un conjunto de
una o más variables.

Por ejemplo, un modelo de este tipo puede ser utilizado para explicar la
variabilidad de las ventas de una empresa en términos de la inversión que se
realiza en publicidad. El modelo que trata de explicar la variable dependiente
(ventas) mediante una relación lineal y usando solo una variable independiente
(inversión en publicidad) se llama modelo de regresión lineal simple. Algunos
modelos de regresión incorporan más de una variable independiente, y su
forma puede ser de lo más complicada posible.

Los modelos de regresión que incorporan más de una variable independiente

se llaman modelos de regresión múltiple. Los modelos de regresión fueron
introducidos por Laplace y Gauss. Posteriormente fueron usados por Galton en
trabajos que trataban de explicar la relación de las estaturas de los padres con
las de sus hijos, encontrando lo que él llamó regresión a la media, expresión
usada para indicar “que los hijos de los padres altos, en promedio, no eran tan
altos como los padres, y que los hijos de los padres bajos, en promedio, eran
más altos que los padres”. Había una regresión hacia el promedio.

Se aplican en casi todos los campos de la ciencia, como el de la ingeniería, de

las ciencias físicas, de las ciencias económicas, de las ciencias sociales, etc., y
en muchos casos se utilizan para: predecir rendimientos futuros de un proceso
y analizar la influencia de ciertos factores en los valores de una variable y de
esta manera conocer, controlar y mejorar un proceso productivo.
 Aplicaciones de regresión simple

 Análisis de correlación: Grupo de técnicas para medir la asociación entre

dos variables. La idea básica del análisis de correlación es reportar la
asociación entre dos variables. El primer paso habitual es trazar los datos
en un diagrama de dispersión.

 Coeficiente de correlación: Medida de la fuerza de la relación lineal entre

dos variables. Su signo indica la dirección de la relación entre dos variables,
directa o inversa.

 Coeficiente de determinación: Proporción de la variación total en la

variable dependiente Y que se explica, o contabiliza, por la variación en la
variable dependiente X. Se expresa como sigue:

 Diagrama de dispersión: Gráfica de

puntos en una cuadrícula; las
coordenadas X y Y de cada punto
corresponden a las dos mediciones
hechas sobre un elemento particular
de la muestra; el patrón de puntos
ilustra la relación entre las dos
variables. Ejemplo:
 Ecuación de estimación: Fórmula matemática que relaciona la variable
desconocida con las variables conocidas en el análisis de regresión.

 Error estándar de la estimación: Medida de la dispersión de los valores

observados respecto de la recta de regresión, esto es, de qué manera los
valores observados varían de sus valores pronosticados sobre la recta de
regresión.

 Error estándar del coeficiente de regresión: Medida de la variabilidad del

coeficiente de regresión de la muestra alrededor del coeficiente de
regresión verdadero de la población.
Fórmula:

 Método de mínimos cuadrados: Determina una ecuación de regresión al

minimizar la suma de los cuadrados de las distancias verticales entre los
valores reales de Y y los valores pronosticados de Y. Ejemplo:

 ORDENADA Y.- Constante para cualquier línea recta dada cuyo valor
representa el valor de la variable Y cuando el valor de la variable X es 0. Se
expresa por la letra a:
 Pendiente: Constante para cualquier línea recta dada cuyo valor representa
cuánto cambia la variable dependiente con un cambio de una unidad de la
variable independiente. Se expresa por la letra
b:

 Recta de regresión: Una línea ajustada a un conjunto de datos para

estimar la relación
entre dos
variables.

 Regresión lineal: También conocida como método de mínimos cuadrados.

Proceso general para predecir una variable a partir de otra mediante medios
estadísticos utilizando datos históricos, es decir, consiste en encontrar la
ecuación de una recta que mejor se ajuste a un conjunto de puntos (datos).

 Relación curvilínea: Asociación entre dos variables que se describe por

una línea curva.

 Relación directa:
Relación entre dos variables en donde, al aumentar el valor de la variable
independiente,
aumenta el valor de la
variable dependiente.
 Relación inversa: Relación entre dos variables en donde, al aumentar la
variable independiente, la variable dependiente disminuye.

 Relación
lineal: Tipo
particular de
asociación
entre dos
variables que puede describirse matemáticamente mediante una línea recta.

 Variable

dependiente: Variable que se predice o estima. Se muestra en el eje Y.

 Variable independiente: Variable que proporciona la base para la
estimación. Es la variable de pronóstico. Se muestra en el eje X.
 Ejemplo

Durante partidos recientes de tenis, Diane ha observado que sus lanzamientos

no han sido eficaces, pues sus oponentes le han regresado algunos de ellos.
Algunas de las personas con las que juega son bastante altas, así que se
pregunta si la estatura de su contrincante podría explicar el número de
lanzamientos no regresados durante un partido. Los siguientes datos se
sacaron de cinco partidos recientes.

a) ¿Cuál es la variable dependiente?

b) El número de lanzamientos no regresados durante un partido
c) ¿Cuál es la ecuación de estimación de mínimos cuadrados para estos
datos?

Graficar el diagrama de
dispersión

- Calcular los Coeficientes “a” y “b”.

 ∑ y . ∑ x 2−∑ x . ∑ x . y (25∗158.5)−(28∗131)
a= 2
=¿ =¿ 34.647059
2
n ∑ x −( ∑ x ) (5∗158.5)−282

n . ∑ x . y −∑ x . ∑ y
b= -5.29411
n ∑ x 2−¿ ¿ ¿

^y =a+bx

^y =34.647059−5.294118 X

Interpretación: Por cada incremento de un pie en la estatura de los

contrincantes, el número de lanzamientos no regresados disminuirá en 5
aproximadamente.

a) ¿Cuál es su mejor estimación del número de lanzamientos no

regresados en su partido de mañana con un oponente de 5,9 pies de
estatura?

^y =34.647059−5.294118(5.9) = 3.41

Es decir, el número de lanzamientos no regresados en su partido de mañana

con un oponente de 5.9 pies de estatura será de 3 aproximadamente.
 Conclusión

En el análisis de regresión, la selección cuidadosa y el uso consistente de la

mejor base de datos lleva a la ecuación de estimación más valiosa.

Regresión y correlación lineal son dos herramientas para investigar la

asociación de una variable dependiente en función de una variable
independiente. Por eso, es de suma importancia para la producción, ya que es
aquí en donde se presentan variables de respuesta e independientes las cuales
se relacionan para generar las características de un proceso en particular,
predecir valores de la variable dependiente y examinar el grado de fuerza con
que se relacionan dichas variables.

La regresión lineal simple analiza la relación de dos variables continuas

bivariantes. La finalidad de una ecuación de regresión es la de estimar los
valores de una variable con base en los valores conocidos de la otra. Es decir,
se puede intuir una relación de causa y efecto entre dos o más variables,
aunque en muchos casos no existe una relación de esta forma.

Por otro lado, al ajustar un modelo de regresión simple o múltiple a una nube
de observaciones es importante disponer de alguna medida que permita medir
la bondad del ajuste. Esto se consigue con los coeficientes de determinación.
Si el modelo que se ajusta es un modelo de regresión lineal, a r^2 se le
denomina coeficiente de correlación, que representa el porcentaje de
variabilidad de la Y que es explicado por la variación de la X.

Estas técnicas estadísticas constituyen una herramienta útil para el análisis de

las variables de un proceso ya que, a través de la aplicación de estas, es
factible conocer el modelo que siguen.
 Bibliografía

Estadística descriptiva e inferencial. Córdova Zamora, Manuel. Editorial

Moshera S.R.L. 5° Edición, Perú – 2003.

Estadística para administración y economía. Levin, Richard – Runbin,

David. Editorial Pearson Educación 7° Edición, México – 2010.

Estadística aplicada a los negocios y a la economía XIII edición – Lind/

Marchal/ Wathem, México 2008. McGRAW-HILL/INTERAMERICANA

EDITORES, S. A. de C. V.

Estadística para administración y economía. Mason, Lind, Marchal.

Editorial Alfaomega 10° Edición, Colombia – 2002.