Concepto

El establecimiento de una correlacin entre dos

variables es importante, pero esto se considera un
primer paso para predecir una variable a partir de la
otra. (U otras, en el caso de la regresin mltiple.)

Claro est, si sabemos que la variable X est muy

relacionada con Y, ello quiere decir que podemos
predecir Y a partir de X. Estamos ya en el terreno de la
prediccin. (Evidentemente si, X no est relacionada con
Y, X no sirve como predictor de Y.)
 Concepto (2)

El tema bsico en regresin (con 2 variables) es

ajustar los puntos del diagrama de dispersin de
las variables X e Y. Para simplificar, nos centraremos
especialmente (por simplicidad) en el caso de que
la relacin entre X e Y sea lineal.
rendimiento

Claro est, el tema ahora es cmo conseguir

cul es la mejor lnea que parece unir los
inteligencia puntos. Necesitamos para ello un criterio. Si
bien hay otros criterios, el ms empleado
comnmente, y el que veremos aqu, es el
criterio de mnimos cuadrados.

Criterio de mnimos cuadrados: Es aquel que minimiza las distancias cuadrticas de los
puntos con la lnea.
 Repaso de la ecuacin de una recta

Y=A+BX

A es la ordenada en el origen (es donde la recta

corta el eje Y)
rendimiento

B es la pendiente (observad que en el caso de

las relaciones positivas, B ser positivo; en el
caso de las relacin negativas, B ser negativo;
si no hay relacin, B ser aproximadamente 0)

inteligencia

Si queremos predecir Y a partir de X, necesitamos calcular (en el caso de

relacin lineal) la recta de regresin de Y sobre (a partir de) X.
 Clculo de la ecuacin de regresin lineal (de Y sobre X)

El criterio de mnimos cuadrados nos

Y proporciona un valor de A y uno de B, tal que

Y Y
n
Rendimiento (Y)

'
i i sea mnimo
i 1

Inteligencia (X)
Clculo de la ecuacin de regresin lineal (de Y sobre X)
Tendencia Histrica de produccin de Materia Prima

Histrico de produccin(TM)

MATERIA PRIMA 2013 2014 2015 2016 2017

ANIS 20,156 21,244 22,499 23,829 25,238

y = 1274.9x - 3E+06
Grafico de dispersion R = 0.9977

30,000
PRODUCCION DE ANIS EN TONELADAS

25,000

20,000

15,000

10,000

5,000

0
2012 2013 2014 2015 2016 2017 2018
AO DE PRODUCCION DE AIS
 Clculo de la ecuacin de regresin lineal (de Y sobre X)

y = 1274.9x - 3E+06 La recta por mnimos

Grafico de dispersion R = 0.9977
cuadrados es:
30,000

Y=18768+1275.2X
25,000
PRODUCCION DE ANIS EN TONELADAS

i i
20,000
n
Y Y '
es mnimo
15,000 i 1

10,000

Observa....
5,000

0
- EL R2 ES DE 99.77 LO QUE NOS
2012 2013 2014 2015 2016 2017 2018 INDICA QUE EXISTE UNA FUERTE
AO DE PRODUCCION DE AIS
RELACION POSITIVA
 Clculo de la ecuacin de regresin lineal (de Y sobre X)

Las frmulas.... En puntuaciones directas

Ordenada origen
A Y BX

B
XY nXY
X nX
Pendiente 2 2

Nota: Tanto A como B se pueden obtener fcilmente en cualquier calculadora con

opcin LR (Linear Regression)
Clculo de la ecuacin de regresin lineal (de Y sobre X)
MATERIA
ANIS(Y) XY X2
PRIMA(X)
1 20,156 20156 1
2 21,244 42488 4
3 22,499 67497 9
4 23,829 95316 16
5 25,238 126190 25
351647 55

PROMEDIO DE X PROMEDIO DE Y
3 22,593
N=5

XY nXY
A Y BX B
X nX
2 2
Luego
Y=18768+1275.2X
 Clculo de la ecuacin de regresin lineal (de Y sobre X)

Las frmulas en puntuaciones diferenciales

Ordenada origen a0 Fijaros que la media de X y la media de Y sern

0 en puntuacin tpicas

b
xy IMPORTANTE: B=b
Pendiente
x 2 Es decir, la pendiente en puntuaciones
diferenciales es la MISMA que en
puntuaciones directas

Por tanto, la recta de regresin en puntuaciones diferenciales es en nuestro caso:

y=18768
 Introduccin a la regresin lineal mltiple (4)
Datos (N=5)

Rendim Ansied Neurot

9 3 5
3 12 15
6 8 8
2 9 7
7 7 6

Resumen del modelo

R1.23 0'904
R cuadrado Error tp. de la
Modelo R R cuadrado corregida estimacin
1 .904 a .817 .634 1.744
a. Variables predictoras : (Constante), NEURO, ANSIE

Como en el caso de 1 predictor:

2
Coeficientesa s x1'
Coeficientes no
Coeficientes
estandarizad R1.23
2
2
Modelo
estandarizados
B Error tp.
os
Beta t Sig. s x1
1 (Constante) 11.288 2.221 5.082 .037
ANSIED -1.139 .510 -1.293 -2.233 .155
NEUROT .365 .421 .502 .868 .477
a. Variable dependiente: RENDIM