REGRESIÓN LINEAL

LOGRO DE LA SESIÓN

Resolver e Interpretar problemas de

Análisis de Regresión Lineal Simple.
CORRELACIÓN LINEAL
INTRODUCCIÓN
MIDE LA RELACIÓN ENTRE DOS VARIABLES

Ejemplos:
Horas de estudio (X) Calificación obtenida (Y)
N° Libros leídos (X) N° Errores ortográficos (Y)
Inversión en Medidas preventivas (X) N° de Lesiones (Y)
Edad (X) Gasto Mensual (Y)
Índice de Contaminación(X) Tasa de Enfermedades(Y)
CORRELACIÓN LINEAL
DIAGRAMA DE DISPERSIÓN

Representación en un sistema de coordenadas rectangulares, donde (X,

Y) son los valores de las variables correlacionadas.
CORRELACIÓN LINEAL
TENDENCIAS
CORRELACIÓN LINEAL
TIPOS DE CORRELACIÓN

CORRELACIÓN POSITIVA CORRELACIÓN NEGATIVA

Significa que individuos que tienen Significa que individuos que tienen
puntuaciones ALTAS en una variable, puntuaciones ALTAS en una variable,
tienden a obtener puntuaciones ALTAS tienden a obtener puntuaciones BAJAS en
en la otra variable y viceversa. la otra variable y viceversa.
CORRELACIÓN LINEAL
TIPOS DE CORRELACIÓN

CORRELACIÓN NULA
Significa que no existe dependencia entre las variables.
 CORRELACIÓN LINEAL
COEFICIENTE DE CORRELACIÓN DE PEARSON

El coeficiente de correlación de Pearson, indica la fuerza y la dirección de

una relación lineal entre dos variables aleatorias. Se considera que dos
variables cuantitativas están correlacionadas cuando los valores de una de
ellas varían sistemáticamente con respecto a los valores de la otra.
𝒏 ∗ ∑ 𝑿𝒀 − ∑ 𝑿 ∗ ∑ 𝒀
𝑹=
√[ ( 𝒏 ∗ ∑ 𝑿 𝟐 𝟐
− (∑ 𝑿 ) )] ∗ [ (𝒏 ∗ ∑ 𝒀 𝟐
− (∑ 𝒀 )
𝟐
)]
Valor de R Interpretación
n: Número de datos
0 Ausencia de Correlación Lineal

0 < R ≤ ± 0,20 Correlación Lineal Insignificante

± 0,20 < R ≤ ± 0,40
± 0,40 < R ≤ ± 0,60
± 0,60 < R ≤ ± 0,80
± 0,80 < R < ± 1
±1
Correlación Lineal Leve  El valor R está acotado en [-1; 1].
Correlación Lineal Regular
Correlación Lineal Alta
Correlación Lineal Muy Alta
Correlación Lineal Perfecta
REGRESIÓN LINEAL SIMPLE
INTRODUCCIÓN

Los conceptos de análisis de regresión se presentan empleando un modelo de regresión

muy sencillo, uno que relaciona Y con una sola variable X. Aprenderemos a ajustar este
modelo a un conjunto de datos mediante el método de los mínimos cuadrados.

t a de
Rec esión
r
Reg
 REGRESIÓN LINEAL SIMPLE
ESTIMACIÓN DE LOS COEFICIENTES DE REGRESIÓN

𝒏 ∗ ∑ 𝑿𝒀 − ∑ 𝑿 ∗ ∑ 𝒀
𝜷𝟏 = 𝟐
𝒏∗ ∑ 𝑿 𝟐 − ( ∑ 𝑿 )

𝜷𝟎 =
∑ 𝒀
𝒏
− 𝜷𝟏 ∗ ( ∑
𝒏
𝑿
)
Otro objetivo de la regresión es la predicción
de una variable para un valor determinado de
la otra.
Dado un valor de la variable “X” que no ha
sido observado, estimar el correspondiente
valor de “Y”
 EJEMPLO 1: N° días de
Edad XY X2 Y2
ausencia
El jefe de personal de una empresa cree que existe 25 20 500 625 400
una relación entre la ausencia al trabajo y la edad 50 5 250 2500 25
del empleado. Tomó en cuenta la edad de 10
trabajadores y contabilizó los días de ausencia en 35 10 350 1225 100
un año: 20 20 400 400 400
45 8 360 2025 64
- Obtenga la ecuación de regresión. 50 2 100 2500 4
- Interprete el valor de la pendiente. 30 15 450 900 225
- Si un trabajador tiene 38 años, ¿cuántos
40 12 480 1600 144
días se espera que falte al año?
62 1 62 3844 1
40 8 320 1600 64
397 101 3272 17219 1427
 -Para calcular el valor de los Coeficientes de la Ecuación

Las sumatorias:

Para la PENDIENTE: Para el INTERCEPTO:

𝜷𝟏 =
𝒏 ∗ ∑ 𝑿𝒀 − ∑ 𝑿 ∗ ∑ 𝒀
𝒏∗ ∑ 𝑿 𝟐 − ( ∑ 𝑿 )
𝟐 𝜷𝟎 =
∑
𝒏
𝒀
( )
−𝜷 𝟏 ∗
∑𝑿
𝒏

− (− 𝟎 ,𝟓𝟎𝟓𝟗 ) ∗ (
𝟏𝟎 )
𝟏𝟎𝟏 𝟑𝟗𝟕
𝟏𝟎 ∗ ( 𝟑𝟐𝟕𝟐 ) − ( 𝟑𝟗𝟕 ) ∗(𝟏𝟎𝟏) 𝜷 =
𝟎
𝜷𝟏 = 𝟐 𝟏𝟎
𝟏𝟎 ∗ ( 𝟏𝟕𝟐𝟏𝟗 ) − ( 𝟑𝟗𝟕 )

𝜷𝟏 =−𝟎 , 𝟓𝟎𝟓𝟗 𝜷𝟎 =𝟑𝟎, 𝟏𝟖𝟔

-La Ecuación:

𝒀 =𝟑𝟎,𝟏𝟖𝟔−𝟎 ,𝟓𝟎𝟓𝟗 𝑿

- Interpretación de la Pendiente: 𝜷𝟏 =−𝟎, 𝟓𝟎𝟓𝟗

Por cada año adicional en la Edad del empleado (X), el n° de días de

ausencia (Y) disminuye en 0,5059.

- Si un trabajador tiene 38 años, ¿cuántos días se espera que falte al año?

𝒀 =𝟑𝟎,𝟏𝟖𝟔−𝟎 ,𝟓𝟎𝟓𝟗 ∗ ( 𝟑𝟖 )=𝟏𝟎,𝟗𝟔𝟏𝟖

Si un trabajador tiene 38 años (X=38), se espera que durante el año

registre, aproximadamente, 11 faltas.
EJEMPLO 2:
Considere un estudio donde se mide el DAP: Diámetro a la Altura del Pecho (X) en
centímetros y la Altura (Y) en metros. Se considera una muestra de 10 árboles, los datos son:

DAP Altura
15.6 17.4
Considerando los datos del problema
14.8 18.4 anterior, encuentre la ecuación de regresión
15.5 16.5 entre el DAP y la altura con EXCEL y SPSS.
12.5 15.2
14.2 19.9
15.7 22.1
12.3 14.8
14.2 17.3
8.8 10.3
11.9 14.6
Excel:
Datos→Análisis de Datos→Regresión (activar Nivel de Confianza) →Aceptar
 Interpretación:

𝒀 =−𝟎,𝟕𝟎𝟕𝟗𝟑𝟑+𝟏,𝟐𝟖𝟏𝟎𝟐𝟖 𝑿 Por cada centímetro adicional en el DAP

(X), la Altura del árbol (Y) aumentará en
1,281028 metros.
SPSS:
Analizar → Regresión →Lineales
Variable Dependiente (y): Altura
Variable Independiente (x): DAP
 INVESTIGA

MATERIAL COMPLEMENTARIO
https://www.youtube.com/results?search_query=regresi%C3%B3n+lineal+simple+con
+spss
https://kahoot.it/
GRACIAS