Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Experimentos en Ingeniería y
Ciencias Ambientales
Regresión Lineal Simple
2
Objetivos del capítulo
Dar a conocer los fundamentos y
aplicaciones de análisis de la Regresión
Lineal Simple (RLS), así como su utilidad
para estudiar la dependencia de una
variable (variable dependiente) respecto a
otra variable (variable independiente). Se
incluye la aplicación del coeficiente de
correlación para medir el grado de
asociación de dos variables aleatorias
3
Antecedentes
En 1889 en su libro “Herencia Natural”, Francis Galton
se refirió a la “ley de la regresión universal”. Él dijo que
“cada peculiaridad en un hombre es compartida por sus
parientes, pero en promedio, en un grado menor”.
4
Análisis de Regresión Lineal Simple
El análisis de regresión lineal simple trata
el problema de predecir o estimar una
variable, llamada respuesta o variable
dependiente, a partir de otra variable
llamada predictora, explicativa o variable
independente.
5
Análisis de Regresión Lineal. Ejemplo 1
6
Análisis de Regresión Lineal. Ejemplo 1
Muestra 1 2 3 4 5 6 7 8 9 10
Sabor 12.3 47.9 37.3 21 0.7 40.9 18 15.2 16.8 0.7
AA 4.543 5.759 5.892 5.242 4.477 6.365 5.247 5.298 5.366 5.328
H2S 3.135 7.496 8.726 4.174 2.996 9.588 6.174 5.22 3.664 3.912
AL 0.86 1.81 1.29 1.58 1.06 1.74 1.63 1.33 1.31 1.25
7
Análisis de Regresión Lineal. Ejemplo 1
7
Modelo estadístico
El modelo poblacional de regresión lineal
simple es el siguiente:
Yi= α + βXi + εi
Donde a es el estimador de α y b el
estimador β.
8
Estimación del modelo
Los parámetros del modelo son estimados por el método de
Mínimos Cuadrados. Este método permite obtener los valores
estimados α y β.
SP ( X )
n n
2
( ) 2 2
∑
i =1
Xi −X ∑ X − nX
i
i =1
9
Estimación del modelo
αˆ = a = Y − bX
10
Análisis de Regresión Lineal. Ejemplo 1
(continuación)
Se va estimar el modelo de regresión que
considera a la variable AA como variable
predictora. Quedan como ejercicios los análisis
de los casos de las variables H2S y AL.
Y = 21.08 X = 5.3517 ∑X ∑XY
2
∑Y
2
= 289.34 i = 6789.06 i i
= 1193.91
i
Yˆ = −99.03 22.44 X
+
11
Análisis de Regresión Lineal. Ejemplo 1
60
50
40
Sabor
30
20
10
0
4 4,5 5 5,5 6 6,5
AA
12
wrauca ae u1spers1on
. o
o
o
M
o
D
r
e
o
n
�
0
�
o
" o
N
o
o
o
o
o o
o
4.5 5.0 5.5 datos$AA
wrauca ae u1spers1on
6.0
12
Análisis de Regresión Lineal. Ejemplo 1
Análisis de Variancia
Hipótesis:
H0: β = 0
H 1: β ≠ 0
Cuadro de Análisis de Variancia (cuadro ANVA):
Fuentes de Gl SC CM Fc
variación
13
Análisis de Regresión Lineal. Prueba Hipótesis
Para el caso de las variables Y = sabor y X = AA, se tiene lo siguiente:
H0: β = 0
H1: β ≠ 0
O dicho literalmente:
H0: El sabor del queso no depende de la concentración de ácido acético.
H1: El sabor del queso si depende de la concentración de ácido acético.
Fuentes de gl SC CM Fc
variación
14
Análisis de Regresión Lineal. Conclusión de la
prueba Hipótesis
Conclusión
El valor de tabla para un nivel de
significación del 5% es F(0.95,1, 8) = 5.318.
Como el valor calculado es mayor al valor de
tabla se rechaza H0. En conclusión, existe
suficiente evidencia estadística para aceptar
que el sabor del queso depende de la
concentración de ácido acético a través de
un modelo lineal.
15
Análisis de Regresión Lineal. Coeficiente de
determinación
El coeficiente de determinación mide el
porcentaje de la variabilidad de la respuesta
que es explicado por la variable predictora. Su
valor va de 0 a 1 y se calcula mediante la
siguiente expresión:
r = SC ( Reg )
2
SC (Total )
2 1476
r = = 0.63
2345
El 63% de la variabilidad del sabor es explicado por la
concentración de ácido acético.
16
Análisis de Regresión Lineal. Coeficiente de
correlación
El coeficiente de correlación es una medida de la
asociación existente entre dos variables cuantitativas. Este
coeficiente toma valores desde -1 hasta 1. Para
interpretar un coeficiente de correlación tenga en cuenta
lo siguiente:
El coeficiente de correlación es la raíz cuadrada del
coeficiente de determinación con el signo de b (pendiente
estimada).
r = 0.63 = 0.79
17