Estadística II Análisis de regresión lineal

Luis Ernesto Leyva Camargo

Análisis de regresión
Luis Ernesto Leyva Camargo
 Busca Analizar dos variables

Tipos de técnicas de regresión:

Técnica de correlación
Análisis de • ¿Existe dependencia entre las variables?
regresión • ¿Cuál es el grado de dependencia?
Técnica de regresión
• ¿Cuál es el tipo de dependencia entre dos variables?
• ¿Pueden estimarse los valores de la dependiente en
función de la independiente?

Luis Ernesto Leyva Camargo

Coeficiente de correlación r
Para medir el coeficiente de correlación r ó R.

𝑛 σ 𝑥𝑦 − σ 𝑥 σ 𝑦
𝑟=
𝑛 σ 𝑥2 − σ 𝑥 2 𝑛 σ 𝑦2 − σ 𝑦 2

Oscila ente -1 y 1, −1 ≤ 𝑟 ≤ 1

De tal forma que:

 • Hay correlación positiva entre las variables si r se acerca a 1

 • La correlación es negativa si se acerca a –1 y

 • Las variables son independientes si r se acerca a 0, es decir no tiene que ver la una con la otra.

Luis Ernesto Leyva Camargo

 Ventas semanales (Y)
5 4,5
4,5 4

Ejemplo: 4
3,5 3
3,5
3
Se quiere establecer la relación 3
2,8

entre el número de comerciales que 2,5 2 2

Ventas semanales (Y)

se transmiten al día sobre un 2

1,3
1,5
Lineal (Ventas semanales (Y))

producto y las ventas semanales del 1,5

1
producto en miles de unidades
0,5
monetarias. Para esto se obtiene la
0
siguiente información: 0 5 10 15 20

Número de Ventas
comerciales semanales 𝑛 σ 𝑥𝑦 − σ 𝑥 σ 𝑦
(X) (Y) 𝑟=
4 2,0 𝑛 σ 𝑥2 − σ 𝑥 2 𝑛 σ 𝑦2 − σ 𝑦 2
4 1,3
5 1,5
6 2,0
9 2,8
11 3,0 10 ∗ 327,4 − 101 ∗ 27,6
13 3,5 0.962 =
14 3,0 10 ∗ 1273 − 101 2 10 ∗ 86,28 − 27,6 2
17 4,0
18 4,5 0,962 indica que existe una relación fuerte entre el numero de comerciales y
las ventas semanales del producto.
Luis Ernesto Leyva Camargo
 𝑦ො = 𝛽0 + 𝛽1 𝑥ҧ
 𝛽0 = 𝑦ො − 𝛽1 𝑥ҧ
 𝛽0 , Punto de corte con el eje de la variable dependiente y
 𝛽1 , Pendiente de la recta Regresión
Lineal
σ 𝑥𝑦 − 𝑛𝑦ത𝑥ҧ
𝛽1 =
σ 𝑥 2 − 𝑛𝑥ҧ 2
mediante
método de
𝑦ො = 𝛽0 𝑋 + 𝛽1
mínimos
cuadrados

Luis Ernesto Leyva Camargo

 σ 𝑥𝑦 − 𝑛𝑦ത 𝑥ҧ 7171 − 12 ∗ 90 ∗ 6,5
𝛽1 = = = 1,01559
σ 𝑥 2 − 𝑛𝑥ҧ 2 650 − 12 ∗ 6,52
EJEMPLO:
Regresión Lineal
𝛽0 = 𝑦ത − 𝛽1 𝑥ҧ = 90 − 1,01559 6,5 = 83,136
mediante método de
mínimos cuadrados.
𝑦ො = 𝛽0 𝑋 + 𝛽1 = 1,01559 ∗ 13 + 83,136 = 96,33

Calcular X=13 X: Tiempo Y: Vehículos

Y: Vehículos (unidades)
(semanas) (unidades) XY X^2 98 96
95 95
X: Tiempo Y: Vehículos 1 86 86 1 96
93
(semanas) (unidades) 2 82 164 4 94 92
1 86 3 87 261 9 92 90 90
2 82 4 88 352 16 90 88
87
3 87 5 90 450 25 88 86 86
4 88 6 86 516 36 86

5 90 7 93 651 49 84 82
6 86 82
8 90 720 64
7 93 80
9 95 855 81
0 2 4 6 8 10 12 14
8 90 10 92 920 100
9 95 11 96 1056 121 Y: Vehículos (unidades) Lineal (Y: Vehículos (unidades))
10 92 12 95 1140 144
11 96 Sumatoria 78 1080 7171 650
12 95 Promedio 6,5 90

Luis Ernesto Leyva Camargo

  Encuentra el porcentaje de datos de la variable dependiente Y, que caen
sobre la línea recta, se interpreta como el porcentaje de valores de Y que
son explicados por la regresión lineal en función de la variable X.

Coeficiente de  El coeficiente de determinación se simboliza con 𝑟 2 y se obtiene como el

cuadrado de correlación.
determinación  Este coeficiente siempre da un valor entre 0 y 1 y para la interpretación se
multiplica por 100 para expresarlo en porcentaje. Un modelo de regresión
lineal presenta buen ajuste (el modelo es bueno) si el coeficiente de
determinación es mayor o igual al 75 %.

Luis Ernesto Leyva Camargo

Gracias

Luis Ernesto Leyva Camargo