Regresión Lineal Simple

Objetivo

Encontrar modelos estadísticos que puedan

ser usados para predecir los valores de una
variable dependiente conocida también
como variable respuesta, basado en los
valores de una variable independiente
denominada variable explicativa.

Ing. Osmart Morales Chalco

 Análisis de Correlación
En contraste con la regresión, éste es usado para medir el grado
de asociación entre variables.

FUERTE POSITIVA
FUERTE NEGATIVA
60

50 50
Variab le B

40
40
30

Va ria ble B
30
20

10 20

0 10
0 10 20 30 40 50 60

Variable A 0
0 10 20 30 40 50
SIN CORRELACIÓN
Variable A

60

50
Variable B

40

30

20

10

0
0 10 20 30 40 50 60

Variable A
 Pasos a seguir para realizar un
análisis de Regresión Lineal Simple

1. Identificar la variable dependiente y la variable

independiente.
2. Realizar el diagrama de dispersión.
3. Definir la función de regresión.
4. Estimación mediante la recta de regresión.
5. Evaluación del modelo.
a) Coeficiente de Correlación.
b) Coeficiente de Determinación.
c) Análisis de varianza.
6. Uso del modelo para realizar predicciones.
Ejemplo:

Analizar la relación entre la edad y el tiempo de servicio de

15 trabajadores, contando con la siguiente información:
Trabajador Edad Tiempo Trabajador Edad Tiempo
de de
servicio servicio
1 48 24 9 34 10
2 40 18 10 46 20
3 30 9 11 32 12
4 39 14 12 42 18
5 46 22 13 40 16
6 42 22 14 32 8
7 27 4 15 27 6
8 36 13
Pasos a seguir para realizar un análisis de
Regresión Lineal Simple

1. Identificar la variable dependiente y la variable

independiente.
Variable dependiente: Tiempo de Servicio … Y
Variable independiente: Edad … X
2. Realizar el diagrama de dispersión.Tiempo_de_servicio.xls

30

25
Tiempo de Servicio

20

15

10

0
0 10 20 30 40 50 60
Edad

En el gráfico de dispersión se puede observar que existe una relación

positiva entre las variables, a medida que aumenta la edad aumenta el
tiempo de servicio de los trabajadores.
3. Definir la función de regresión.

Y = f (x)
Ecuación:
Y = a + bX
4.Estimación mediante la recta de regresión.
Tiempo_ser.sav

Y = a + bX

n n n
n xi yi   xi  yi
Estimar los b i 1 i 1 i 1
2
valores de a y b
n
 n 
n xi    xi 
2
a través del MMC i 1  i 1 

Yˆ  a  bX a  y  bx
4.Estimación mediante la recta de regresión.

30
Tiempo de Servicio y = 0.8761x - 18.365
25
R2 = 0.9341
20
15
10
5
0
0 10 20 30 40 50 60
Edad

Yˆ  18.365  0.8761 X

b= 0.8761(Pendiente). Existe una relación directa entre el tiempo de servicio

y la edad del trabajador. Al incrementar en una unidad la edad del
trabajador (X), el tiempo de servicio (Y), se incrementa en promedio,
en 0.8761 unidades.
a = -18.365 (Intercepto). Si la edad del trabajador (X) es cero, el tiempo de
servicio es en promedio -18.365.
5. Evaluación del modelo.
a) Coeficiente de Correlación.
n

x y i i  nx y
r n
i 1
n
 0.97
x
i 1
2
i  nx 2 y
i 1
2
i  ny 2

-0.70 0
-1 0.70 1

Existe una correlación fuerte (0.97) entre la edad y el tiempo

de servicio del trabajador.
5. Evaluación del modelo.
b) Coeficiente de Determinación.

r  0.93  93%
2

Significa que el 93% de la variación en el tiempo de

servicio (Y), se ve explicado por las variaciones de la
edad (X) y el 7% no explica dicha variación. En
conclusión el ajuste realizado es bueno

0 0.70 1