Regresión Lineal

Simple
Regresión lineal simple

 Representa una ecuación que expresa la relación entre dos variables (X, Y).
 La ecuación de regresión lineal es una recta que ayuda a estimar (pronosticar)
los resultados de Y con base en X.
 Modelo de tendencia usado para pronosticar comportamiento futuro.
Variables

ŷ = 𝒂 + 𝒃𝒙𝒊

Variable independiente
Variable dependiente es
se usa para predecir el
la variable que se
valor de la variable
predice o estima.
dependiente.
Se muestra en el eje Y.
Se muestra en el eje X.
Regresión lineal simple

ഥ 𝒚𝒊 − 𝒀
𝚺 𝒙𝒊 − 𝑿 ഥ
𝒃=
ഥ 𝟐
σ 𝒙𝒊 − 𝑿

ഥ − 𝒃𝑿
𝒂= 𝒀 ഥ

 Donde:
 ŷ = 𝒗𝒂𝒍𝒐𝒓 𝒆𝒔𝒕𝒊𝒎𝒂𝒅𝒐 (𝒑𝒓𝒐𝒏𝒐𝒔𝒕𝒊𝒄𝒐)
 𝐚 = 𝑰𝒏𝒕𝒆𝒓𝒔𝒆𝒄𝒄𝒊ó𝒏 𝒅𝒆 𝒍𝒂 𝒓𝒆𝒄𝒕𝒂 𝒄𝒐𝒏 𝒆𝒍 𝒆𝒋𝒆 𝒚
 𝒃 = 𝑷𝒆𝒏𝒅𝒊𝒆𝒏𝒕𝒆 𝒅𝒆 𝒍𝒂 𝒓𝒆𝒄𝒕𝒂 𝒅𝒆 𝒓𝒆𝒈𝒓𝒆𝒔𝒊ó𝒏

ŷ = 𝒂 + 𝒃𝒙𝒊  𝒙𝒊 = 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒊𝒏𝒅𝒆𝒑𝒆𝒏𝒅𝒊𝒆𝒏𝒕𝒆 (𝐩𝐞𝐫𝐢𝐨𝐝𝐨 𝐚 𝐩𝐫𝐞𝐝𝐞𝐜𝐢𝐫)

Formula general

 ෝ = 𝒃𝟎 + 𝒃𝟏 𝒙
𝒚

 y^= recta de regresión estimada;

 b0 = es la intersección con el eje
 b1= es la pendiente.
 x= variable independiente

NOTA: cuando de agrega más de una variable

independiente al modelo se la llama regresión
lineal múltiple y a cada variable xi le
corresponde una constante bi
Análisis de regresión

1. Determinar la ecuación de la recta que se ajusta mejor a los datos

2. Utilizar la ecuación para estimar el valor de una variable con base en otra
3. Medir el error en el estimado
4. Establecer intervalos de confianza y pronóstico para el estimado.
Coeficiente de correlación (r)

 El coeficiente de correlación
describe la fuerza de la relación
entre dos conjuntos de variables.
 Puede adoptar cualquier valor de
–1.00 a +1.00, inclusive. Un
coeficiente de correlación de –
1.00 o bien de +1.00 indica una
correlación perfecta.
 Un valor de r cercano a 0 indica
que hay poca asociación entre las Coeficiente de
variables. determinación
R2= (r2)
¿Cómo interpretar el coeficiente de
correlación?
 Ejemplo 1 


Ecuación: y = 6.8571x + 206
Y4= 6.8571 (4) + 206
 Y5= 6.8571 (5) + 206
 Y6= 6.8571 (6) + 206
t Demanda Pronostico
At Ft  Y7= 6.8571 (7) + 206= 254
 Coeficiente de determinación (R² =
1 200 213 0.1371) por debajo de 0.5, indica una
poca relación entre las variables.
2 230 220
3 260 DEMANDA AT y = 6.8571x + 206
227 R² = 0.1371
Demanda At Lineal (Demanda At)
4 180 233 300

5 270 240
250

Título del eje

200
6 240 247 150

100
7
50

0
0 1 2 3 4 5 6 7
Título del eje
Ejemplo 2 Ecuación de regresión lineal:
Y= = 72.5x + 445.71
 Encontrar la ecuación de regresión lineal Pronóstico: Y8= 72.5 (8) + 445.71 = 1025.71
Coeficiente de determinación (R² = 0.9364)
 Explique el resultado del coeficiente de
muy cercano a 1.00, indica una muy fuerte
determinación.
relación entre las variables X y Y.
 Encontrar el valor del periodo 8 con el Correlación positiva
modelo de Regresión lineal
DEMANDA (AT) y = 72.5x + 445.71
t Demanda (At) R² = 0.9364
Demanda (At) Lineal (Demanda (At))
1 500 1200

2 620 1000

Título del eje

800
3 600
600
4 780 400

5 850 200

0
6 880 0 1 2 3 4 5 6 7 8
Título del eje
7 920
8
 Ejercicio
 Bergans of Norway ha estado fabricando
equipo para excursionismo desde 1908. En
los datos que se presentan en la tabla
siguiente se da la temperatura (°F) y el
precio ($) de 11 modelos de sacos de
dormir fabricados por Bergans .
 a. Trace un diagrama de dispersión con
estos datos, en el que la variable
independiente sea la temperatura (°F).
 b. ¿Cuál es la relación entre temperatura
y precio?
 c. Encuentre la ecuación de regresión
estimada.
 d. Prediga cuál será el precio de un saco
de dormir si el índice de temperatura (°F)
es 20