ESTADÍSTICA APLICADA

10
1
 REGRESIÓN LINEAL
Es para fines de predicción. Es importante considerar
que generalmente existen entre dos o más variables.

El conjunto de puntos 𝑥, 𝑦 que se relacionan a través

de un sistema de coordenadas rectangulares, recibe el
nombre de Diagrama de Dispersión.
Ejemplo: La siguiente tabla relaciona el peso y la estatura en
un grupo de 10 personas.

A partir del Diagrama de Dispersión, es posible visualizar una

curva que aproxima los datos, esta curva se llama Curva
Aproximante.
 Tipos de Regresión Lineal

Relación Lineal Positiva Relación No Lineal

Relación Lineal Negativa No Existe Relación

Ejemplos de cada una de las relaciones:

a)

b)

c)

d)
a)
b)
c)
d)
Llamaremos ajuste de curvas, al problema de hallar
ecuaciones de curvas aproximantes que se ajustan a un
conjunto de datos.
Variable
Dependiente
REGRESIÓN
Variable
Independiente
Los tipos más comunes de curvas aproximantes y sus
ecuaciones son:
𝐿𝑖𝑛𝑒𝑎 𝑅𝑒𝑐𝑡𝑎 → 𝑦 = 𝑎0 + 𝑎1 𝑥
𝑃𝑎𝑟á𝑏𝑜𝑙𝑎 → 𝑦 = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2
𝐶𝑢𝑟𝑣𝑎 𝐶ú𝑏𝑖𝑐𝑎 → 𝑦 = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + 𝑎3 𝑥 3

Observaciones:
1) Para decidir qué curva utilizar, es útil mirar el
Diagrama de Dispersión, con ella se tiene una idea
aproximada de la relación entre las variables.

2) Para evitar juicios subjetivos al construir rectas,

parábolas u otras curvas aproximantes de ajuste de
datos, se utiliza el método de Mínimos Cuadrados.
Una medida de bondad de ajuste de la curva a los datos
dados, está proporcionada por la expresión:
2 2 2 2
𝐷 + 𝐷 + 𝐷 + ⋯ … … … . . +𝐷
1 2 3 𝑛
 Curva de Ajuste Mínimo
De todas las curvas que aproximan un conjunto de
datos, la que tiene la propiedad que:
2 2 2 2
𝐷 + 𝐷 + 𝐷 + ⋯ … … … . . +𝐷 es mínimo.
1 2 3 𝑛
Estas diferencias: 𝐷𝑖 ; 𝑖 = 1; … . ; 𝑛 pueden ser positivas,
negativas o iguales a cero.

Curva Mínimos Cuadrados

Es cuando una curva cumple con la condición que:

2 2 2 2
𝐷 + 𝐷 + 𝐷 + ⋯ … … … . . +𝐷 sea mínimo.
1 2 3 𝑛
 La Recta de los Mínimos Cuadrados
El análisis de Regresión Lineal Simple, tiene por
objetivo encontrar la línea recta que mejor se ajuste a
los datos.
La recta de mínimos cuadrados que aproxima el
conjunto de puntos: 𝑥1 ; 𝑦1 , 𝑥2 ; 𝑦2 , … … . , 𝑥𝑛 ; 𝑦𝑛
tiene por ecuación de la recta 𝑦 = 𝑎0 + 𝑎1 𝑥; donde las
constantes 𝑎0 y 𝑎1 , se encuentran al resolver el
sistema de ecuación:

෍ 𝑦 = 𝑎0 𝑛 + 𝑎1 ෍ 𝑥

෍ 𝑥𝑦 = 𝑎0 ෍ 𝑥 + 𝑎1 ෍ 𝑥 2

Se denominan Ecuaciones Normales para la recta de

Números Cuadrados.
Otra forma para encontrar las constantes 𝑎0 ; 𝑎1 , es a
través de la expresión:

𝑛 σ 𝑥𝑦 − σ 𝑥 σ 𝑦
𝑎1 = ; 𝑎0 = 𝑦ത − 𝑎1 𝑥ҧ
𝑛 σ 𝑥2 − σ 𝑥 2

𝑥ҧ ; 𝑦ത corresponden a la media de los datos.

Si se toma 𝑥 coma la variable dependiente, la recta
toma la forma: 𝑥 = 𝑏0 + 𝑏1 𝑦 ; con lo cual, las
Ecuaciones Normales, serian:
෍ 𝑥 = 𝑏0 𝑛 + 𝑏1 ෍ 𝑦

෍ 𝑥𝑦 = 𝑏0 ෍ 𝑦 + 𝑏1 ෍ 𝑦 2

𝑛 σ 𝑥𝑦 − σ 𝑥 σ 𝑦
𝑏1 = ; 𝑏0 = 𝑥ҧ − 𝑏1 𝑦ത
𝑛 σ 𝑦2 − σ 𝑦 2
Ejemplo: Encuentre la recta de números cuadrados,
considerando:
a) 𝑥 como variable independiente.
b) 𝑥 como variable dependiente.
Esto considerando la siguiente tabla:
 Curva de Regresión

Denominaremos Curva de Regresión de 𝑦 sobre 𝑥,

cuando se estima 𝑦, a partir de 𝑥.

Ejemplo: Considerando el ejemplo anterior,

encuentre la curva de regresión.
 Centroide
Las intersección de las rectas de regresión:
𝑦 = 𝑎0 + 𝑎1 𝑥 y 𝑥 = 𝑏0 + 𝑏1 𝑦
recibe el nombre de Centroide, el cual se denota por
𝑥,ҧ 𝑦ത donde:
σ𝑥 σ𝑦
𝑥ҧ = 𝑛
; 𝑦ത = 𝑛
Ejemplo: ¿Cuál es el centroide (si hay) del ejemplo de
la clase anterior?
Observaciones: El método de regresión responde a
tres objetivos:

1) Si ambas variables están relacionadas.

2) Encontrar que tipo de relación (si existe), las une.
3) Predecir los valores de una variable a partir de
valores conocidos de la otra.

Por ello, conocer el grado de relación existente entre

ambas variables, permitirá saber si la predicción
realizada con el modelo matemático establecido es
buena o mala.
 Coeficiente de Correlación Lineal (r de
Pearson)

Ayuda a medir el grado de relación existente entre la

variable independiente y la variable dependiente, su
cálculo está dado por:
𝑛 σ 𝑥𝑦 − σ 𝑥 σ 𝑦
𝑟=
𝑛 σ 𝑥2 − σ 𝑥 2 𝑛 σ 𝑦2 − σ 𝑦 2