ACTIVIDAD #7 REGRESION

LINEAL Y CORREGRESION
LINEAL
ALUMNAS:
XIMENA OSORIO
MAYRA MOLINA
 REGRESION LINEAL

La regresión lineal simple consiste en generar un modelo de regresión (ecuación de una recta) que permita explicar
la relación lineal que existe entre dos variables. A la variable dependiente o respuesta se le identifica como YY y a la variable
predictora o independiente como XX.

El modelo de regresión lineal simple se describe de acuerdo a la ecuación:

Y=β0+β1X1+ϵY=β0+β1X1+ϵ

Siendo β0β0 la ordenada en el origen, β1β1 la pendiente y ϵϵ el error aleatorio. Este último representa la diferencia
entre el valor ajustado por la recta y el valor real. Recoge el efecto de todas aquellas variables que influyen en YY pero que
no se
incluyen en el modelo como predictores. Al error aleatorio también se le conoce como residuo.
 OBJETIVOS DE APRENDIZAJE
1. AI Saber construir un modelo de regresión lineal simple que describa como
influye una variable X sobre otra variable Y
2. Saber obtener estimaciones puntuales de los parámetros de dicho modelo
3. Saber construir intervalos de confianza y resolver contrastes sobre dichos
parámetros
4. Saber estimar el valor promedio de Y para un valor de X
5. Saber predecir futuros de la variable respuesta, Y
 TIPOS DE RELACIÓN
 DETERMINISTA: Conocido el valor de X, el valor de Y queda perfectamente
establecido. Son del tipo:
 y = f (x)
 Ejemplo: La relación existente entre la temperatura en grados centígrados (X) y
grados Fahrenheit (Y ) es: y = 1,8x + 32 Plot of Grados Fahrenheit vs Grados
centígrados 0 10 20 30 40
 NO DETERMINISTA: Conocido el valor de X, el valor de Y no queda
perfectamente establecido.
 Son del tipo: y = f (x) + u donde u es una perturbación desconocida (variable
aleatoria).
 Ejemplo: Se tiene una muestra del volumen de producción (X) y el costo total (Y )
asociado a un producto en un grupo de empresas.
 Lineal: Cuando la función f (x) es lineal,
 f (x) = β0 + β1x I Si β1 > 0 hay relación lineal positiva.
 Si β1 < 0 hay relación lineal negativa.
 NO LINEAL: Cuando la función f (x) no es lineal.
 Por ejemplo, f (x) = log(x), f (x) = x 2 + 3, . . .
 Relación no lineal X Y -2 -1 0 1 2 -4 -3 -2 -1 0 1 2
 Los datos no tienen un aspecto recto.
 CORREGRESION LINEAL
 Cuando hacemos análisis estadísticos sobre un dataset o una base de datos, suele
ser habitual realizar un análisis de correlaciones entre las variables, con el
objetivo de estudiar si existe algún tipo de relación entre las mismas.
 Al hablar de correlaciones, nos referimos a realizar un estudio en el que
analizaremos sí dos variables tienen comportamientos similares entre ellas.
 ¿QUÉ ES EL COEFICIENTE DE CORRELACIÓN LINEAL?
Cuando realicemos un análisis de correlaciones entre dos variables, mediremos el
grado de relación entre ellas mediante el cálculo del coeficiente de correlación
lineal, una medida que nos permitirá conocer la relación entre dos variables.
 COEFICIENTE DE CORRELACIÓN DE PEARSON
El coeficiente de correlación de Pearson es una medida estadística que
permite calcular la relación entre dos variables, siempre que sean 
variables cuantitativas y continuas. Pearson es el coeficiente de correlación más
utilizado para calcular relaciones de tipo lineal.
Podemos definir relación lineal de una forma simple como aquella representación
gráfica de tres o más punto que dibuje una línea (dando igual el sentido de la misma).
 ¿Cómo interpretar el coeficiente de correlación lineal de Pearson?
El resultado de calcular el Índice de Correlación de Pearson (r, de ahora en adelante), siempre estará
comprendido en el intervalo [-1, 1]. Indicando el 1 una correlación positiva total, y el -1 una correlación
negativa total.
Por lo tanto:
 Si r = |1|, se tratará de una correlación será perfecta.
 Si r = 1, estaremos hablando de una correlación perfecta POSITIVA.
 Si r = -1, estaremos hablando de una correlación perfecta NEGATIVA.
 Si r = 0, diremos que no existe ninguna correlación entre las variables.
 Si r es negativo (es decir, el valor de r está comprendido entre -1 y 0), estaremos hablando de una
correlación negativa entre las variables. Mientras más cercano a cero sea el valor de r, menor será la
relación entre las variables, o dicho de otro modo, mientras más cerca esté r de -1, más relacionadas
estarán las variables.
 Si r es positivo (es decir, el valor está comprendido entre 0 y 1), hablaremos de la existencia de una
correlación positiva entre las variables. Mientras más cercano a cero sea el valor de r, menos relación
habrá entre ambas variables, del mismo modo, mientras más cercano sea el valor de r a 1, más
relacionadas estarán las variables.