ANALISIS DE

REGRESIÓN
LINEAL
UNIVERSIDAD RAFAEL URDANETA

REALIZADO
POR:
Aris Faria
Ana Mármol
Belisario Vivas

ASESORÍA:
Prof. Ing. Fernando Inciarte
An isis
al adeRegresión
Relacionan de forma lineal una variable
Linel independiente con una variable dependiente.

Ordenada al Pendiente Error o Perturbación

origen

Observación de la
variable i-esimo valor de
dependiente Y bajo la variable
el i-esimo valor de independiente X
X

A la variable dependiente se le conoce como variable de respuesta

 Es la ORDENADA AL ORIGEN; indica el valor de Y cuando
xi=0

Es la PENDIENTE de la recta; indica cuanto cambia Y por cada

incremento unitario X.

• La relación lineal implica

proporcionalidad directa
entre variables

Si la pendiente es positiva la relación

entre las variables es positiva, es decir X
e Y son directamente proporcionales

valor “x” aumenta, “y” aumenta.

Si la pendiente es negativa la relación Se estima con b0

entre las variables es negativa, es decir X
e Y son inversamente proporcionales Se estima con b1

valor “x” aumenta, “y” disminuye.

 Donde:
Coeficientede
correlación
Mide la fuerza y
sentido de la
relación lineal
entre 2 variables
cuantitativas.
Tabla de referencia

± 0,96; ± 1,0 Perfecta

± 0,85; ± 0,95 Fuerte
± 0,70; ± 0,84 Significativa
+  valor “x” aumenta, “y” aumenta. Asociación positiva.
± 0,50; ± 0,69 Moderada
-  valor “x” aumenta, “y” disminuye. Asociación ± 0,20; ±0,49 Débil
negativa.
± 0,10; ± 0,19 Muy débil
± 0,09; ± 0,0 Nula

ρ = r = (Sxy) / √(Sxx Syy) r también se utiliza para

denotar la correlación
 Coe ficientede Un buen coeficiente de
determinación debe
det rminació mayor a 75%(0,75)
e n
Define la proporción de la varianza total de la variable
explicada por la regresión, el cual refleja la bondad
de
ajuste de un modelo a la variable que
pretende, explicar ; oscila entre 0 y 1, cuanto SCT = Syy  
más cerca este del 1 más confiable será el
modelo
SCT = SCR + SCE
SCR = b₁ ( Sxy)

SCE es la suma de cuadrados de error

El CME cuadrado medio del SCR es la suma de cuadrados de regresio
error, es la Varianza del Modelo SCT es la suma de cuadrados Total
 H0: b1 = 0
H1: b1 ≠ 0 Datos a necesitar
Pru ba
e dehipótesis
α, n, Sxx, σ, b1
par la Nos
pendiente
permite adecuar el modelo de
a regresión lineal, en este caso, la α: Nivel de significación
prueba de hipótesis para la
pendiente aclara la naturaleza
matemática de la misma,
utilizando Estadístico de prueba
el estadístico p.

Estadísticos a tabular (prueba de dos colas)

La H0 se rechazan si:
t* (α/2; n-2)
t* (1-α/2; n-2)
Intervalo de confianza
para la respuesta
media
Intervalo de confianza para la respuesta media: ayuda
a obtener los límites de confianza para cada uno de los
valores correspondientes.

Para el calculo se
utilizara n-2 como
Intervalo de predicción de
de libertad grados
nuevas observaciones
IP de (100(1-alfa))% para observación futura para el
valor X0 está dado por:

Intervalo de predicción ayuda

a obtener los límites de confianza para nuevas
observaciones
Au o-correlacion
t bin-
Du Watson Permite evaluar si existe auto
r correlación en una regresión lineal; con
ello, ver si los valores presentan algún
tipo de dependencia en cuanto al orden
de obtención; para que los parámetros
del modelo obtenido tengan criterios de
calidad, se tiene que cumplir las
siguientes condiciones:
• Normalidad
• Homogeneidad de varianzas Donde los criterios de decisión son:
• Independencia de los datos

d < dL  Rechazo H0
d > dU  No rechazo H0
dL ≥ d ≥ dU  Test no decisivo
Pruebade Procedimiento por columnas
Kolmogor
1era columna  Datos.
ov-
Smirnof 2nda columna  Enumerar los datos.
Prueba no-paramétrica que
determina la bondad de 3era columna  Ordenar datos de mayor a
ajuste de dos distribuciones menos.
de probabilidad entre si
4ta columna  Siguiendo una distribución
normal Z.
5ta columna  Buscar F(x) con el valor Z
determinado para cada valor.

6ta columna  Hallar S(x).

D < D(1-α, n)  No se rechaza
7ma columna  Hallar D+ para cada
D > D(1-α,n)  Se rechaza
valor.

8va columna  Hallar D- para cada

H0: Sigue siempre una distribución
valor.
normal
Prueba de
falta de ajuste

Esta diseñada para evaluar si una relación curvilineal

podría ajustar mejor a los datos que un modelo
lineal.
Para ello la SCE se descompone en dos partes:

1. El componente de error puro. • La prueba requiere

2. El componente de falta de ajuste.
Estos dos componentes son utilizados para construir un
estadístico de prueba F particular con el fin de
contrastar
la hipótesis
Ho: la relación es lineal vs H1: la relación: no es lineal
siguiente
observaciones repetidas en al
menos uno de los niveles de X.
• Las observaciones de X e Y son
independientes y se
encuentran normalmente
distribuidas.
• La distribuciones de Y tienen la
misma varianza.
 Siendo entonces;
Prueba de
falta de ajuste SCER=suma de cuadrados del error .
SCEF= suma de cuadrados del error puro.
glR= grados de libertad del error.
glF= grados de libertad del erro puro.