ANÁLISIS DE REGRESIÓN

Regresión lineal simple.

• La regresión lineal simple es útil para encontrar
la fuerza o magnitud de cómo se relacionan dos
variables: una independiente o de regresión, que
se representa con una X, y otra dependiente o de
respuesta, que se identifica con una Y; sin
embargo,

• La regresión lineal simple se distingue de otras

pruebas, pues con ella puede estimarse o
predecirse el valor de la variable de respuesta a
partir de un valor dado a la variable
independiente.
Modelo de regresión lineal simple
• Una variable dependiente esta supeditada de alguna
manera a la variable independiente, por ejemplo

1. en el caso del tiempo de reacción, esta es la variable

dependiente o de respuesta y la dosis suministrada del
fármaco es la variable independiente, esta puede ser
controlada,

1. el nivel del agua en la presa es la variable dependiente

o de respuesta y la cantidad de días lluviosos es la
variable independiente, en este caso esta variable se
puede catalogar como aleatoria, ya que el número de
días lluviosos no está controlado por el investigador.
Ajuste de curvas
• Cuando se estudia la relación existente entre dos o más
variables, se pueden establecer diversos modelos o
ecuaciones que de alguna manera intentan reflejar dicha
relación, especialmente cuando se tienen dos variables X
y Y, modelos como el lineal, cuadrático, cúbico y en
general a través de un polinomio de grado n de la forma

• donde Ai es un número real.

Regresión lineal simple. Ajuste de curvas
Modelo de regresión lineal simple
• Un segundo aspecto, es que la relación entre variables se
caracteriza por medio de una ecuación de predicción,
conocida como ecuación de regresión o modelo de
regresión.

• El caso más sencillo es cuando se tiene una variable

dependiente Y y una variable independiente X y lo
llamamos Regresión lineal simple.
Modelo de regresión lineal simple.
Ecuación lineal simple

• Donde:
• Y´ se lee Y prima, es el valor pronosticado de la variable Y
para un valor seleccionado de X.
• a es la ordenada de la intersección con el eje Y, es decir,
corresponde al valor estimado de Y, donde la recta de
regresión cruza el eje Y, cuando X = 0.
• B es la pendiente de la recta, o el cambio promedio en Y´ por
unidad de cambio (incremento o decremento) en la variable
independiente X.
• x es cualquier valor seleccionado de la variable independiente
Modelo de regresión lineal simple. Método de
mínimos cuadrados.
• Primero tomemos una muestra aleatoria de n parejas
ordenadas (𝑥𝑖 , 𝑦𝑖 ) con 𝑖 = 1,2,3,4, … , 𝑛 donde 𝑥𝑖 y 𝑦𝑖 y son
valores que toman las variables X y Y, respectivamente.
Regresión lineal simple. Ejemplo.
• A continuación se
proporcionan 15
parejas de datos en
donde se presentan las
mediciones del tiempo
de reacción, variable
dependiente o de
respuesta, y la dosis
suministrada, variable
independiente, de un
nuevo medicamento
para contrarestar la
presión arterial
elevada.
Regresión lineal simple. Ejemplo.
• Tomando los 15 puntos proporcionados en la tabla 1,
podemos obtener las estimaciones para la pendiente y
ordenada del modelo de regresión lineal simple.

1. Sumatorias

2. Cálculo de la ordenada y
pendientes
Regresión lineal simple. Ejemplo.
2. Cálculo de la ordenada y
pendientes

3. Ecuación de la recta
• Con esta ecuación podemos obtener predicciones de la
variable dependiente Y para cada valor que le demos a
X.
• Además que con dos valores de x y la ecuación es
posible construir un par de puntos por donde pasa la
recta que ajusta al conjunto de parejas y por
consecuencia podremos dibujar la gráfica de la recta.
Regresión lineal simple. Ejemplo.
3. Ecuación de la recta

3. Dibujar recta de
regresión lineal
• Si por ejemplo le damos a
la variable independiente
los valores de x = 5 y x
=15 , se tiene los valores
𝑦 =19.0001 y 𝑦 = 7.8571,
respectivamente al
evaluarlos en la ecuación
de la recta.
Regresión lineal simple. Ejercicio
• Al estudiar la relación entre tiempo (horas) que hacen las
personas que utilizan su auto para llegar a su trabajo y la
cantidad de combustible (litros) que se gasta en los días de
mucho tráfico, se obtuvieron los siguientes datos.

• Obtener la ecuación de la recta que ajusta estos puntos por

mínimos cuadrados y use ésta para determinar la cantidad de
combustible que se gastará un auto cuando una persona tarda
en llegar a su trabajo 2.5 horas.
• Variable independiente: Tiempo (X)
• Variable dependiente o de respuesta : Cantidad de
combustible (Y)
Regresión lineal simple. Ejercicio

1. Sumatorias

2. Ordenada y pendiente, recta

3. Para determinar la cantidad de combustible que se

gastará en 2.5 horas, solo basta con sustituir x = 2.5 en
la ecuación obtenida y se tiene que

Aproximadamente 19.25 34 litros

Intervalos de confianza para los parámetros del modelo de regresión lineal
simple

•.
Ejercicio. Intervalos de confianza para los parámetros
ayb
• Del ejercicio anterior
• Construir un intervalo de confianza al 95% para los parámetros a y b
𝑁𝑖𝑣𝑒𝑙 𝑑𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑛𝑐𝑖𝑎
= 𝑎 = 0.05
1 – 0.95 = 0.05
𝑎 0.05
= = 0.025
2 2
𝑛 = 10
𝑛 − 2 grados de libertad
Coeficiente de correlación
• El número que mide la relación lineal entre variables se
conoce como coeficiente de correlación muestral y
está dada por

• -1.0 a -0.7 Asociación fuerte negativa, conforme y sube, x

baja unidad por unidad
• -0.7 a -0.3 Asociación débil negativa
• -0.3 a +0.3 Asociación nula o muy débil
• +0.3 a +0.7 Asociación débil positiva
• +0.7 a +1.0 Asociación fuerte positiva, conforme y sube, x
sube unidad por unidad
Coeficiente de correlación
Del ejemplo anterior.

Conclusión. Asociación fuerte positiva.

Pronóstico de demanda
• Ejemplo 1. Specific Motors produce motores electrónicos para válvulas
automáticas para la industria de la construcción. Durante más de un año, la
planta de producción de specific ha operado a casi a plena capacidad, Jim
White, el gerente de planta, estima que el crecimiento en las ventas
continuará y desea desarrollar un pronóstico a largo plazo qué se usara para
planear las necesidades de las instalaciones para los siguientes tres años.
Se han totalizado las cifras de ventas correspondientes a los últimos diez
años:
Pronóstico de demanda

1. Calcular la ecuación de regresión lineal 𝑌 = 𝑎 + 𝑏𝑋 = 913.333 +

215.758𝑋
Pronóstico de demanda
1. Calcular la ecuación de regresión lineal 𝑌 = 𝑎 + 𝑏𝑋 = 913.333 +
215.758𝑋

2. Pronosticar las ventas en miles de unidades para los siguiente tres

años, es decir, 𝑥 = 11, 𝑥 = 12, y 𝑥 = 13

𝑌11 = 913.333 + 215,758 (11) = 3286.7 𝑜 3290 𝑚𝑖𝑙𝑒𝑠 𝑑𝑒 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠

𝑌12 = 913.333 + 215,758 (12) = 3502.4 𝑜 3500 𝑚𝑖𝑙𝑒𝑠 𝑑𝑒 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠
𝑌13 = 913.333 + 215,758 (13) = 3718.2 𝑜 3720 𝑚𝑖𝑙𝑒𝑠 𝑑𝑒 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠

3. Calcular el coeficiente de correlación r

• 𝑆𝑥𝑦 = 17800
• 𝑆𝑥𝑥 = 82.5
• 𝑆𝑦𝑦 = 4080000 r = (17800)/ 82.5 4080000 = 0.9702
Regresión lineal simple en Excel
• Del ejemplo anterior.

Cantidad de
Tiempo (horas) combustible
(litros)
0.3 5
0.35 5.6
0.41 6.1
0.5 7.5
0.54 8.3
1.2 10.4
1.24 10.8
1.3 12.5
1.45 13.4
2.1 16.6