Y

Ó N
C I E
L A PL
R E IM
O R LS
E C E A
D L IN
S I S N
I
L SI Ó
A
AN GRE
RE

Dra. Lelly Useche.

Instituto de Ciencias Básicas.
OBJETIVO GENERAL DE LA CLASE

Analizar los conceptos de Regresión Lineal simple y gráficos de

dispersión mediante ejercicios acorde con la profesión.

OBJETIVO DE LA CLASE
Repasar los concepto de dispersión, regresión lineal simple y correlación para la aplicación de la técnica.
Aplicar la herramientas de Análisis de regresión lineal y correlación para la creación de un modelo de
un conjunto de datos relacionados con la profesión.
Interpretar los diferentes cálculos de la técnica de regresión lineal simple y correlación para la toma de
decisiones en el área profesional.
RESULTADOS DE APRENDIZAJE

Aplicar la técnica de Regresión Lineal Simple y Correlación en

datos relacionados con la profesión.
¿INGRESO MENSUAL INFLUYE EN LA FRECUENCIA DE VIAJES AL
AÑO?
¿HACER EJERCICIO EN EL GIMNASIO SE PIERDE
KILOGRAMOS DE PESO?
MIENTRAS MAYOR ES EL SALARIO DE UN
TRABAJADOR…MAYOR SERÁ LA PRODUCCIÓN
DE ARTÍCULOS? O MAYOR SERÁ LAS VECES
QUE SE ENFERMA?
¿EL PROMEDIO DE NOTA AL CULMINAR LA
UNIVERSIDAD ESTARÁ RELACIONADO CON EL
SALARIO MENSUAL DEL PRIMER EMPLEO?
¿LAS VENTAS ESTÁN RELACIONADAS CON LA INVERSIÓN EN
PUBLICIDAD?
¿EL PESO ESTÁ RELACIONADO CON LA
ESTATURA EN LOS NIÑOS MENORES DE 7
AÑOS?
DEFINICIÓN DE REGRESIÓN LINEAL
SIMPLE:
Es una técnica de pronóstico que establece
una relación entre variables. Una variable se
conoce y se usa para pronosticar el valor de
una variable aleatoria desconocida.
IDENTIFIQUE LAS VARIABLES
GRÁFICO DE DISPERSIÓN: representación gráfica del
grado de relación entre dos variables cuantitativas.
GRAFICO DE DISPERSIÓN
 SUPUESTOS NECESARIOS:
 
 
Supuesto I: la media de la distribución de probabilidad del error
es cero.
Supuesto II: La varianza de la distribución de probabilidad del
error es una constante para todos los valores de la variable
independiente x.
Supuesto III: la distribución de probabilidad del error es normal.
Supuesto IV: Los errores observados a cualesquier dos
observaciones distintas son independientes.
 ECUACIÓN DE REGRESION LINEAL SIMPLE:
Y  o  1 X  
Donde:
Y= variable dependiente.
X= variable independiente.
E(Y) = o + 1 X = componente determinístico (ecuación de la línea recta).
 
o ( beta cero)= ordenada al origen de la línea, es decir, punto en que la línea intercepta o
corta el eje Y.
 
1 ( beta uno)= Pendiente de la línea, es decir, magnitud del incremento (o decremento)
del componente determinístico de Y por cada unidad de incremento en X.
 
 (épsilon): componente del error aleatorio.
Cuando hacemos la estimación del modelo de regresión
(ecuación) basados en los datos de una muestra, queda
expresado de la siguiente manera

Yˆ  bo  b1 X
GRAFICAMENTE…
ESTIMACION DE PARAMETROS: si queremos escoger la
línea de mejor ajuste para un conjunto de datos, debemos
estimar los parámetros desconocidos o y 1 del modelo de
regresión lineal simple. Estos estimadores se pueden obtener de
forma sencilla a través del método de los mínimos cuadrados
donde:
Cambios en Y por cada cambio en una unidad de X
Pendiente: 1 estimándola tenemos:
 XY   X . Y
b1  n
 X  2

 
X 2

Ordenada al origen donde

b0  Y  b1 X

El valor que toma y cuando x=0

INFERENCIAS Y PREDICCIONES: El modelo de regresión lineal se
puede utilizar para estimar el valor medio de x, E(y) , para un valor
específico de x o predecir un valor de y en particular para un x dado.
 
Recta de regresión por el método de mínimos cuadrados
ANALISIS DE CORRELACION: ( ) indica el grado de relación asociación o dependencia que pueda
existir entre dos o más variables. Nos permite sintetizar en un solo estudio 3 aspectos:
La relación o dependencia que pueda existir entre las variables en estudio.
La dirección o tipo de asociación entre ellas.
El grado de intensidad de las mismas.
 El coeficiente de correlación lineal simple Los valores de
se estima por medio del estadístico r y viene dada por:
Método en función de los valores de las variables:
n XY    X   Y 
r
n X 2    X  n Y 2    Y 
2 2

Se debe tomar en cuenta lo siguiente:

 1    1

• Los valores de cercanos a cero (0) indican una débil

correlación lineal entre X e Y.
• Los valores de cercanos a +1 indican una fuerte correlación
lineal positiva entre X e Y. fuerte correlación lineal negativo
• Los valores de cercanos a -1 indican una tiva entre X e Y.
COEFICIENTE DE DETERMINACIÓN

2

r2  
n  X i Yi    X i   Yi  

 n X 2   X 2 n Y 2   Y 2 
  i  i i i 
El coeficiente de determinación representa la proporción de la
suma de los cuadrados de las desviaciones de los valores de Y
respecto a sus valores estimados Y que se puede atribuir a una
relación lineal entre Y y X.
Si =0 indica que no existe relación lineal entre las variables X e Y, lo
cual significa que ninguna parte de la variación de Y, está explicada
por X.
Si =1 indica que existe una relación lineal perfecta entre las
variables X e Y, lo cual significa que la variación existente en Y es
explicada totalmente por X y todos los puntos observados están
sobre la recta de regresión muestral.
 

∑
X:____________________________________
_

❑
Y:____________________________________
_
 
DATOS
 DIAGRAMA DE
DISPERSIÓN

INTERPRETACIÓN
1.-

2.-

3.-
GRÁFICO DE DISPERSIÓN.
 CÁLCULO DEL MODELO DE REGRESIÓN

 XY   X . Y
b1  n
 X  2

 
X 2

INTERPRETACIÓN
 CÁLCULO DEL MODELO DE REGRESIÓN

b0  Y  b1 X

INTERPRETACIÓN
CÁLCULO DEL MODELO DE REGRESIÓN

Yˆ  bo  b1 X
CÁLCULO DEL MODELO DE REGRESIÓN
CÁLCULO DEL MODELO DE REGRESIÓN
MODELO Y PREDICCIÓN
COEFICIENTE DE CORRELACIÓN DE PEARSON.
n XY    X   Y 
r
n X    X  n Y    Y 
2 2 2 2
COEFICIENTE DE CORRELACIÓN DE PEARSON.
 COEFICIENTE DE DETERMINACIÓN
2

n XY    X   Y 
 
 
r 
2

 n X 2    X  2 n Y 2    Y  2 
 
COEFICIENTE DE DETERMINACIÓN
 PREDICCIÓN CON EL MODELO

Yˆ  bo  b1 X
Supongamos que se invierten 9000 dólares en Publicidad. ¿Cuántos pasajeros
se espera ?
APLICACIÓN DE LA HERRAMIENTA
Caso.
GRACIAS…

Recuerde….

“Seamos Parte de las estadísticas del éxito”