MATEMÁTICA BÁSICA

Unidad III
Regresión lineal simple
 OBJETIVOS:
• Conocer cuántas decisiones comerciales dependen del conocimiento de
la relación específica entre dos o más variables.
• Utilizar diagramas de dispersión para visualizar la relación entre dos
variables
• Emplear el análisis de regresión para estimar la relación entre dos
variables. Utilizar la ecuación de estimación de mínimos cuadrados para
predecir valores futuros de la variable Dependiente.
• Aprender cómo el análisis de correlación describe el grado en el cual dos
variables están relacionadas linealmente entre sí.
• Comprender el coeficiente de determinación como una medida de la
fuerza de la relación entre dos variables
1. Diagrama de dispersión:

Un diagrama de dispersión es una gráfica en la que cada punto trazado

representa un par de valores observados de las variables independientes y
dependientes.
2. Ecuación de regresión lineal
 
Se denomina regresión lineal cuando la función es lineal, es decir, requiere la
determinación de dos parámetros: la pendiente y la ordenada en el origen de la
recta de regresión .

donde:
valor estimado de para la observación .
valor de para la observación .
intersección de la muestra con el eje
pendiente de la muestra.
Método de mínimos cuadrados
 

Interpretación:
1. Como el cambio promedio en por cada unidad de la medición de . Si
cambia unidades de medición, entonces, cambia en promedio el valor de .
2. Como la tolerancia del modelo de regresión estimada, esto es:
1. Si , entonces, la tendencia lineal es creciente.

2. Si , entonces, la tendencia lineal es decreciente.

 3. Coeficiente de correlación
 
El grado o intensidad de relación entre dos variables continuas, se resume mediante
un coeficiente de correlación que se conoce como “ de Pearson” en honor del
matemático Karl Pearson (el mismo del coeficiente que mide la asimetría).

Interpretación:
Si no existe correlación entre las variables.
Si ó existe correlación no significativa,
Si ó existe una correlación baja.
Si ó existe una correlación significativa o moderada.
Si ó existe um alto grado de correlación.
Si existe correlación perfecta positiva (negativa).
Los valores próximos a -1.00 ó +1.00 indican que los valores están
bastante cerca de la recta o sobre ella, mientras que los valores próximos
a 0 sugieren mayor dispersión dando lugar a la siguiente interpretación:

y

3. Coeficiente de correlación
 
El coeficiente de determinación, que se obtiene elevando al
cuadrado a , y se interpreta como la proporción o porcentaje de
variación de la variable dependiente () que se explica por la variación
en la variable independiente ().
Si la proporción es igual a cero, significa que la variable predictora
tiene NULA capacidad predictiva de la variable a predecir (). Cuanto
mayor sea la proporción, mejor será la predicción. Si llegara a ser
igual a 1 la variable predictora () explicaría TODA la variación de , y las
predicciones no tendrían error.

y
 Ejemplo:
1. Se consideran los puntajes de un grupo de niños de quinto grado en una Prueba de Autoconcepto de
Piers-Harris (PRUEBA 1) y en el Inventario de Autoestima de Cooper-Smith (PRUEBA 2)
obteniéndose:
PRUEBA 1 8 8 12 12 16 16 20 20 24 24
PRUEBA 2 8 6 6 10 8 14 14 12 16 12
a) Confeccione el diagrama de dispersión entre la Prueba 1 (X) y la Prueba 2 (Y) .
b) Calcule la ecuación de regresión.
c) Halle el coeficiente de determinación e interprételo.
 Ejemplo:
2.Se preguntó a ocho individuos sobre los años de estudios superiores que
cursaron y el salario semanal que obtuvieron en su primer trabajo, obteniendo
los siguientes resultados:

a) Dibuje el diagrama de dispersión entre las variables Salario y años.

b)Calcule la ecuación de regresión?
c) Halle el coeficiente de determinación e interprételo.