REGRESION LINEAL SIMPLE

Ph.D. Walther CASIMIRO URCOS

 A manera de introducción
Una de las aplicaciones mas importantes de la estadística implica la
estimación del valor medio de una variable de respuesta y o la
predicción de algún valor futuro de y con base el conocimiento de un
conjunto de variables independientes relacionadas, x1, x2, . . . xk.

Los modelos que se emplean para relacionar una variable dependiente

y con las variables independientes x1, x2, . . . xk se denominan modelos
de regresión o modelos estadísticos lineales porque expresan el valor
medio de y para valores dados de x1, x2, . . . xk como una función lineal
de un conjunto de parámetros desconocidos.
 A manera de introducción
Relación Causal de Variables
Variable Independiente (X)
Son variables controladas por
el investigador y tendrán
efectos o influencia sobre la
otra variable. Es la causa de
algún efecto.
Variable Dependiente (Y) Son
variables que cambian por la
influencia de la variable
independiente. Es el efecto de
alguna causa.

Ejemplos:
1) Efecto de cierta droga en la disminución del ritmo cardiaco en adultos
2) El Grado de instrucción alcanzado por las personas influye en su salario percibido
mensualmente.
3) El clima organizacional influye en el rendimiento y desarrollo del talento humano en un
entidad.
 REGRESION LINEAL
El análisis de regresión es una herramienta
de frecuente uso en  estadística . La cual
permite investigar las relaciones entre
diferentes variables cuantitativas. Esto,
mediante la formulación de
ecuaciones matemáticas.
Visto de otro modo, dicho análisis es un
proceso o modelo que analiza el vínculo
entre una variable dependiente y una o
varias variables independientes. Así, a partir
de dicho estudio, se halla una relación
matemática.
Gracias a los procesos de regresión, es
posible entender el modo en que la variable
dependiente es afectada por cambios en los
demás factores.
 DIAGRAMA DE DISPERSION

C a lo ría s p o r te rc io d e litro
200

180

160

140

120

100

80

60
2,5 3,5 4,5 5,5 6,5
Porcentaje de Alcohol
 RECTA DE AJUSTE

Calorías por tercio de litro 200

180
y = 39.543x - 43.332
160
140

120

100
80
60
2.5 3 3.5 4 4.5 5 5.5 6
Porcentaje de Alcohol
 MODELO DE REGRESION LINEAL

Error
Variable
Pendiente aleatorio
Variable Intercepto Independente
Dependiente

Yi  b 0  b1X i  ei
Componente lineal Componente de
error aleatorio
y = variable dependiente
x = variable independente
b0 = intercepto o constante
b1 = pendiente de la recta
e = error aleatorio
 Interpretaciones delos coeficientes de regresión
b0 Es el valor de Y cuando X = 0, es decir, es el valor
de Y cuando la recta de regresión cruza el eje de las
Y.
b1 Es la pendiente de la recta, o el cambio promedio en
Y por cada cambio de una unidad en X.

Estimación de los Parámetros: Mínimos Cuadrados Ordinarios

• Aquellos que minimizan la suma de los residuos al cuadrado.
• El error cometido en la estimación (residuo) es el estimador de la perturbación, y por tanto el objetivo a
minimizar.

yi   0  1 xi  ei
ˆ i  b0  b1 xi
y
yi  yˆ i  ei
ˆi
residuoi  ei  yi  y
 Ejercicio
Una empresa tiene 7 vendedores, y se quiere analizar las ventas mensuales (en miles de soles)
frente a los años de experiencia. Los datos están en la siguiente tabla.
a) ¿Se trata de una relación lineal? (analizar el diagrama de dispersión)
b) Si es una ecuación lineal hallar la ecuación de regresión determinando los coeficientes de
regresión.
c) Predecir la venta de un empleado con 40 años de experiencia (Estimar Y para un valor X=40)
N° Experiencia (X) Ventas(miles)

1 13 26
2 16 33
3 30 36
4 2 16
5 8 26
6 6 19
7 31 38
 Solución
a) Diagrama de dispersión

Según el diagrama de dispersión existe una relación aproximadamente lineal

b) Hallando los coeficientes de regresión
N° Experiencia Ventas(miles)
(X) (Y) XY X2 Y2
1 13 26 338 169 676
2 16 33 528 256 1089
3 30 36 1080 900 1296
4 2 16 32 4 256
5 8 26 208 64 676
6 6 19 114 36 361
7 31 38 1178 961 1444

  ∑X= 106 ∑Y=194 ∑XY=3478 ∑ X2=2390 ∑ Y2=5798

n 7 ; x 
x 
106
 15.14 ; y 
194
 27.71
n 7 7

n
 xi yi  nxy
3478  7(15.14)(27.71)
b 1  i 1
n
  0.688
2390  7(15.14) 2
x 2
i
 nx 2
i 1

b0  y  b1 x  27.71  ( 0.688 )15.14  17.29

b) Ecuación e interpretación

La ecuación de regresión estimada será

Ŷ  17.29  0.688 X
Interpretación:
b0  17.29 , Son las ventas de un empleado cuando X es
cero o cuando no tienen años de experiencia. En otras
palabras un vendedor tendrá en promedio ventas de
S/. 17290 si no tiene años de experiencia.
b1  0.688 , Es el incremento en 0.688 cuando X aumenta en
una unidad. En otras palabras es el aumento en S/. 688 por
cada año de experiencia que adquiera un empleado.

c) Predicción para X=40

Ŷ  17.29  0.688( 40 )  44.826

Un empleado con 40 años de experiencia en ventas, venderá aproximadamente S/ 44.826

 Ejercicio

Con esta información encontrar la ecuación de la línea

recta E(y)=?

Niño 1 2 3 4 5 6 7 8 9 10
Estatura
121 123 108 118 111 109 114 103 110 115
(cm) x
Peso (kg) y 25 22 19 24 19 18 20 15 20 21
Ph.D. Walther CASIMIRO URCOS – 988509552 – wacaur06@yaho.com