Predicción de Y para un Valor dado de X

Para predecir Y para un valor dado de X, se utiliza una técnica de estadística que
se enfoca en predecir una variable dependiente (Y) a partir de una variable
independiente (X). Esta técnica es conocida análisis de regresión lineal simple.

Esto se logra a través del uso de la ecuación de regresión lineal Simple

Modelo de regresión lineal simple: y = β0 + β1 x + ε

Donde β0 y β1 son los parámetros del modelo. ε es una variable aleatoria, llamada
error, que explica la variabilidad en y que no se puede explicar con la relación
lineal entre x y y. Los errores, ε, se consideran variables aleatorias independientes
distribuidas normalmente con media cero y desviación estándar σ. Esto implica
que el valor medio o valor esperado de y, denotado por E (Y/x), es igual a β0 + β1
x.

Ecuación de regresión lineal Simple: E (y/x) = β0 + β1 x

Los parámetros, β0 y β1, del modelo se estiman por los estadísticos muestrales b0
y b1, los cuales se calculan usando el método de mínimos cuadrados.

Cálculo del coeficiente de correlación lineal

El coeficiente de correlación lineal, también conocido como coeficiente de
Pearson, es una medida que indica la fuerza y la dirección de la relación lineal
entre dos variables. Se calcula dividiendo la covarianza de las dos variables por el
producto de sus desviaciones típicas.

Formula:
 Donde:

 r: Coeficiente de correlación lineal

 x: Valor i de la variable X
 y: Valor i de la variable Y
 x̄ : Media de la variable X
 ȳ: Media de la variable Y
 Σ: Sumatoria

Pasos para calcular el coeficiente de correlación lineal:

 Calcular la media de cada variable.

 Calcular la desviación típica de cada variable.
 Calcular la covarianza de las dos variables.
 Sustituir los valores en la fórmula del coeficiente de correlación lineal.

Interpretación del coeficiente de correlación lineal:

 Valor entre -1 y 0: Correlación negativa. A medida que una variable aumenta, la

otra variable tiende a disminuir.
 Valor de 0: No hay correlación lineal entre las dos variables.
 Valor entre 0 y 1: Correlación positiva. A medida que una variable aumenta, la
otra variable tiende a aumentar.

Cuanto más cercano sea el valor de r a 1 o -1, más fuerte será la relación lineal
entre las dos variables.

Ejemplo:

Supongamos que tenemos los siguientes datos para las variables X e Y:

X: 1, 2, 3, 4, 5
Y: 2, 4, 6, 8, 10
 1. Calcular la media de cada variable:

 Media de X: (1 + 2 + 3 + 4 + 5) / 5 = 3
 Media de Y: (2 + 4 + 6 + 8 + 10) / 5 = 6

2. Calcular la desviación típica de cada variable:

 Desviación típica de X: √[(1 - 3)² + (2 - 3)² + (3 - 3)² + (4 - 3)² + (5 - 3)²] / 5 = 1.414

 Desviación típica de Y: √[(2 - 6)² + (4 - 6)² + (6 - 6)² + (8 - 6)² + (10 - 6)²] / 5 = 2.828

3. Calcular la covarianza de las dos variables:

 Covarianza (X, Y): Σ[(x- x̄ )(y - ȳ)] = (1 - 3)(2 - 6) + (2 - 3)(4 - 6) + (3 - 3)(6 - 6) + (4 -

3)(8 - 6) + (5 - 3)(10 - 6) = 5.656

4. Sustituir los valores en la fórmula del coeficiente de correlación lineal:

 r: 5.656 / √[(1.414)² (2.828)²] = 0.997

Interpretación:

En este caso, el coeficiente de correlación lineal es de 0.997, lo que indica una

fuerte correlación positiva entre las variables X e Y. Esto significa que a medida
que la variable X aumenta, la variable Y también tiende a aumentar.

Como Calcular los Coeficientes de Regresión Lineal

El cálculo de los coeficientes de regresión lineal en un modelo de regresión lineal

simple se realiza a través del método de mínimos cuadrados ordinarios (MCO).
Este método busca minimizar la suma de los cuadrados de las diferencias entre
los valores observados y los valores predichos por el modelo. Los coeficientes
son:
Pendiente (b): Indica cuánto cambia la variable dependiente (y) por cada unidad
de cambio en la variable independiente (x).

Intercepto (a): Es el valor de (y) cuando (x) es cero, es decir, donde la línea de
regresión corta al eje Y.

Aquí tienes una explicación sencilla de cómo se calculan estos coeficientes:

Supongamos que tienes un conjunto de datos con una variable independiente ( x )

y una variable dependiente ( y ). Quieres ajustar una línea recta ( y = a + bx ) a
estos datos, donde ( a ) es la intersección con el eje Y y ( b ) es la pendiente de la
línea.

Los coeficientes (a) intercepto y (b) pendiente se calculan como sigue:

1. Pendiente (b):
2.

Intercepto (a):

Una vez que tienes los valores de (a) y (b), puedes usarlos para predecir nuevos
valores de (y) dados los valores de (x) utilizando la ecuación de la línea recta.