Análisis de Regresión

• Uno de los usos del análisis de regresión es verificar

como, una o mais variables independientes (x) influencian
sobre el comportamiento de otra variable dependiente
(y).

• Las variables independentes pueden ser fijas, como en el

caso de tratamientos cuantitativos (por ejemplo, dosis de
abonamiento, niveles de proteína, espaciamiento, tiempo,
concentraciones de AIB, etc.).

1
 Análisis de Regresión
• Desde el punto de vista estadístico, hacer un análisis de
regresión consiste en establecer una relación funcional
entre la variable dependente (y) y la(s) variable (s)
independientes (x), o sea,
Y=f (x1, x2, ...xp), para obtener y/o probar las
estimaciones de los paramentos de esa relación.

• La relación entre la variable dependiente (y) y la(s)

variable (s) independiente(s) (x1) es denominado
modelo, que puede ser de dos maneras: modelo linear o
no lineal. 2
 Análisis de Regresión
• Calidad del ajuste de las ecuaciones de regresión
• Una vez ajustada la ecuación de regresión, verificado la Prueba de F del
análisis de varianza y probadas las significancias de los coeficientes, la
calidad del ajuste debe ser verificado.

• Coeficiente de determinación

• EL coeficiente de determinación (R2) es definido como la parte de la

variación total de la característica estudiada, que puede ser explicada por
la ecuación de regresión. La proporción de la variable dependiente Y que
está siendo explicada por la variable independente X es usada para
definir el coeficiente de determinación, que es dado por:

En que:   2𝑆 𝐶 𝑟𝑒𝑔
𝑅 =
Screg: es la suma de cuadrados de la regresión
𝑆 𝐶 𝑡𝑜𝑡𝑎𝑙
❑
3
Sctotal: es la suma de cuadrados total
 Análisis de Regresión

• La amplitud del coeficiente de determinación (R2) es:

0 < R2 < 1, o sea, expresión en porcentaje, 0 < R2 < 100%, indicando
que, cuanto mas próximo de 1 (uno) o de 100%, mejor será la calidad
del ajuste del modelo matemático.

Un valor de R2 igual a 1 significa un ajuste lineal perfecto, ya que

la variación total de la variable Y es explicada por el modelo de
regresión;

4
 Análisis de Regresión

Ejemplo:
R2 = 89,98% o R2=0,8998= 0,89
A la vista se puede afirmar que el ajuste del modelo es bueno, ya que
el valor de R2 = 0,89 es cercano a 1, esto quiere decir que el 89% de la
variabilidad de la variable Y con respecto a su media es explicado por
el modelo de regresión (lineal). Se puede concluir que el modelo
lineal es adecuado para describir la relación que existe entre estas
variables.

Un valor R2 igual a cero indica la no representatividad del modelo

lineal, ya que supone que el modelo no explica nada de la variación
total de la variable Y
5
6
7
8
9
 Ejemplo
Un experimento fue conducido en diseño en bloques al azar, con
cuatro repeticiones, para estudiar el efecto de diferentes dosis de
adubonamiento fosforado sobre la produción de materia seca de
braquiária. Los tratamientos (dosis de fósforo) y valores de
producción de matéria seca (g) del sistema radicular de Brachiaria
brizantha foram:

Repeticiones
Dosis de Fósforo
1 2 3 4
0 76 81 91 57
50 115 119 124 102
100 129 167 150 170
150 160 189 170 165
200 156 174 160 150

10
Una función lineal es una función polinómica
de primer grado, es decir, una función cuya
representación en el plano cartesiano es una
línea recta.

X representa a la variable real, m y b son

constantes
Función cuadrática es una ecuación
de segundo grado
x es la variable, y a, b y c son constantes

11