MODELO DE REGRESION LINEAL SIMPLE

DANILO MEZA MARENGO

Presentado al profesor:
MARTIN DIAZ

UNIVERSIDAD DEL NORTE

ESCUELA DE NEGOCIOS
PROGRAMA DE ADMON DE EMPRESAS
ESTADISTICAS II
BARRANQUILLA COLOMBIA
NOVIEMBRE DE 2009.

CONTENIDO

INTRODUCCION
OBJETIVOS
APLICACIONES DEL MODELO
1. MODELO DE REGRESION LINEAL
1.2.
1.3.
1.4.

Supuestos para el modelo de regresin lineal simple

Descomposicin de la suma de cuadrados.
Estimacin delos parmetros por mnimos cuadrados.

2. PRUEBA DE HIPOTESIS.
2.1.

Estimacin

1.2.

Estadstico que se utiliza en el modelo

1.3.

Coeficiente de variacin

3. EJEMPLOS DE APLICACIN DEL MODELO DE REGRESION LINEAL

4. EJEMPLOS PROPUESTOS.

CONCLUSIONES
BIBLIOGRAFIA

INTRODUCCION

En la prctica, con mucha frecuencia se hace necesario resolver problemas que

implica conjunto de variables, cuando se sabe que hay una relacin existente
entre ellas. Es por esto que en casos como en las industrias es posible saber que
el contenido de una sustancia m en el producto de salida de un proceso qumico
est directamente relacionado con la temperatura con la que esta se lleva a cabo
en el proceso, podra ser de gran ayuda el diseo de mtodo de prediccin, es
decir, el diseo de un procedimiento para estimar el contenido de la sustancia m
para varios niveles de temperaturas todas previamente de un proceso
experimental.
Por esta razn, para la mayora de las aplicaciones existe una diferencia explicita
entre las variables en cuanto a su papel dentro del proceso experimental. Por tal
motivo la Regresin Lineal Simple busca mostrarnos dichos efectos causados
por una variable frente la otra

OBJETIVOS

Desarrollar el l modelo de Regresin Lineal Simple

Mediante la aplicacin de mnimos cuadrados se buscara determinar la
ecuacin de estimacin de regresin.
Como calcular el coeficiente de variacin mediante pruebas de hiptesis

APLICACIONES DEL MODELO

En la vida real muchas veces se busca establecer la relacin entre dos variables.
Por ejemplo
Una empresa desea saber qu relacin existe entre los precios de un
determinado producto y su demanda en ventas
Un establecimiento educativo puede estar interesado en determinar de qu
manera se puede conocer el rendimiento en una determinada materia en un
grupo de estudiantes en base en promedios obtenidos durante un semestre
determinado.
Un especialista desea conocer qu relacin existe entre la tasa de
delincuencia que existe en una determinada rea y el grado de pobreza de
las familias que se encuentren hay.
As como estas y un sinfn de aplicaciones podemos observar la aplicacin del
modelo de Regresin Lineal Simple

MODELO DE REGRESION
LINEAL SIMPLE

1. MODELO DE REGRESION LINEAL

El modelo de regresin lineal simple sirve

para encontrar el pronstico (en

valores) de la variable Y que depende de la variable X variable independiente.

Supongamos que estamos interesados en conocer la relacin entre una variable
dependiente Y y una variable independiente X. si la variable aleatoria toma los
calores xi , entonces la ecuacin de la Recta Poblacional de Regresin expresa
las correspondientes valores yi como:

Yi=a+bx+ei ECUACION RECTA ESTIMADA, tambin conocida como la recta

verdadera de regresin
Donde, a y b son constantes y ei, llamados trmino de error, es una variable
aleatoria con media cero.

1.4.

SUPUESTOS PARA EL MODELO DE REGRESION LINEAL

SIMPLE

Denotamos la recta verdadera de regresin Yi=a+bx+ei y asumimos que se dispone

de n pares de observaciones. Suelen realizarse al respecto las siguientes
supuestos.
1. Cada xi es un nmero fijo( asignado, por ejemplo, por un investigador) o es
la realizacin de una variable aleatoria Xi, independiente del trmino error
(ei). En el ltimo caso, la inferencia se realiza condicionando al valor
observado xi.
2. Los trminos de error ei son variables aleatorias con media cero, por lo
tanto i = 1,2,3n
3. Las variables aleatorias ei tienen todas las mismas varianzas S para todo
i= 1,2,3,.n.
4. Las variables aleatorias ei no se hallan correlacionadas, luego ei ej son
iguales a cero, para todo i, j = 1,2,3,n con todo i j

1.5.

DESCOMPSICION DE LA SUMA DE CUADRADOS.

La descomposicin de la suma de cuadrados consiste entre otras en hallar la

sumatoria de la variable dependiente e independiente

Sxx= x-(x)/n
Syy= y-(y)/n
Sxy= xy-(x)(y)/n
1.6.

ESTIMACION DELOS
CUADRADOS.

PARAMETROS

POR

MINIMOS

1.6.1. PENDIENTE

b= Sxy/Sxx
1.6.2. INTERSECTO

a= y/n + b*(x/n)

2. PRUEBA DE HIPOTESIS.
Otro aspecto importante al momento de evaluar la adecuacin de un modelo de
regresin lineal es la prueba de hiptesis estadstica acerca de los parmetros del
modelo. Para poder llevarlo a cabo, se debe asumir que las distribuciones estn
normalmente distribuidas.

2.1. ESTIMACION

S= (Sxy - bSxy)/n-2
2.2.

ESTADISTICO QUE SE UTILIZA EN EL MODELO

En el modelo de regresin lineal simple se utiliza el estadstico t
de student , mediante la siguiente formula.

t= b/ (S/(Sxx))
2.3.

COEFICIENTE DE VARIACION

Mediante esta aplicacin se reafirmara si lo hallado anteriormente es

correcto o no

Sxy / (Sxx * Syy)

3. EJEMPLOS DE APLICACIN DEL MODELO DE REGRESION LINEAL

Ejercicio

14 pagina 328. Llinas Humberto. Estadstica Inferencial. Ediciones

Uninorte
Los datos a continuacin representan el incremento porcentual del salario (y,
variable dependiente) y el numero de meses extras trabajados en la ejecucin de
un proyecto ( x, variable independiente)
X 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 1,0
Y 9,8 9,5 8,9 8,6 10,2 9,3 9,2 10,5 8,1

1,1 1,2
7,8 8,5

a. Calcular la ecuacin de la recta de regresin estimada

b. Estime el incremento porcentual medio del salario se han trabajado 1,75
meses en la ejecucin de un proyecto.

a. Calcular la ecuacin de la recta de regresin estimada

X
Y
X
1,3
9,8 1,69
1,4
9,5 1,96
1,5
8,9 2,25
1,6
8,6 2,56
1,7
10,2 2,89
1,8
9,3 3,24
1,9
9,2 3,61
2
10,5
4
1
8,1
1
1,1
7,8 1,21
1,2
8,5 1,44
16,5 100,4 25,85

Sxx= x-(x)/n
=
Syy= y-(y)/n
=
Sxy= xy-(x)(y)/n =

Y
96,04
90,25
79,21
73,96
104,04
86,49
84,64
110,25
65,61
60,84
72,25
923,58

XY
12,74
13,3
13,35
13,76
17,34
16,74
17,48
21
8,1
8,58
10,2
152,59

25,85 - (16,5)/11

1,1

923,58 - (100,4)/11

7,2018

152,59 - (16,5)(100,4)/11 =

b= Sxy/ Sxx
=
a= y - b(x)/n =

= a - bX

1,99

1,99/1,1

1,81

100,4 - 1,81(16,5/11)

97,685

97,685 - 1,81X =

b. Estime el incremento porcentual medio del salario se han trabajado 1,75

meses en la ejecucin de un proyecto.

= a - bX

97,685 - 1,81(1,75) =
=

94,5175
95

El incremento porcentual seria de un 95% aproximadamente cuando se han

trabajado 1,75 meses en ejecucin de un proyecto.

Ejercicio 2. La empresa GLOBAL TECH

asigna diferentes precios a un

dispositivo electrnico de la marca Posh. en 8 distritos diferentes del pas.

La tabla adjunta muestra el nmero de dispositivos vendidos y los precios
correspondientes en miles de pesos.
a. Hallar la recta regresin lineal de las ventas sobre el precio
b. Que efecto se esperara en las ventas si se produjera un incremento en
12000 pesos en el precio.
c. Determine la validez del modelo
d. Calcule el coeficiente de variacin e intrprete los resultados.
Ventas 410
Precio 70

Y
410
440
370
450
400
420
380
350
3220

Sxx= x-(x)/n =
Syy= y-(y)/n =
Sxy= xy-(x)(y)/n =

440
50

370
75

X
70
50
75
45
55
55
60
65
475

Y
168100
193600
136900
202500
160000
176400
144400
122500
1304400

450 400 420 380 350

45 55 55 60 65

X
4900
2500
5625
2025
3025
3025
3600
4225
28925

XY
28700
22000
27750
20250
22000
23100
22800
22750
189350

28925 - (475)/8
1304400 - (3220)/8
189350 - (475 * 3220 )/8

721,875
8350
-1837,5

183,5/475
3220 -(-0,387)(475)/8

b= Sxy/ Sx
=
a= y - b(x)/n =

= a + bX=

3242,98 - 0,386 X

-0,386315789
3242,98
ecuacin de la recta de
regresin lineal

R// por cada peso en el precio las ventas disminuirn en un 38.6 %

c. Que efecto se esperara en las ventas si se produjera un incremento en
12000 pesos en el precio.
= a + bX=

3242,98 - 0,386 (12)=

3238,35

R// cuando el precio se incrementa en 12000 se espera vender 3238,35

aproximadamente.
d. Determine la validez del modelo. con 95 % de confiabilidad
S= (Sxx - bSxy)/n-2 =

721,875 - (-0,386(-,837,5))/8-2 =

840,1

S= 28,9845

Ho: B=0, No es vlida la hiptesis

H1: B 0, es validad la hiptesis.

t=

b/ (S/(Sxx) =

0,386/(28,9845/(721,875) =

0,386/1,079
0,358

V= n-2 V= 8-2 V =6,

= 1-0,95
=0,05

t 0,05;6= 1,943

No se rechaza la hiptesis debido a que cae en la regin de no rechazo, por tanto

= a + bX, para este caso no es valido

e. Calcule el coeficiente de variacin e intrprete los resultados.

r = Sxy / (Sxx * Syy )

1837,5 / (721,875 * 8350 ) =

0,082

|-0,082| 0,90 , no existe correlacin entre las variables

4. EMJEMPLOS PROPUESTOS
Ejercicio 6 pagina 325. Llinas Humberto. Estadstica inferencial. Ediciones
Uninorte
En un determinado estudio se comenta acerca de un experimento para investigar
como varia el comportamiento de cierto tipo de vidrio en funcin de la temperatura.
Examine los datos siguientes ( x grados centgrados) y alargamiento ( y en
porcentajes) la ruptura del metal
X
Y

72
208

74
197

78
135

83
132

59 63 68
118 182 247

Determinar la recta de regresin lineal.

Qu efecto se esperara en las ventas si se produjera un incremento en 90
grados.
Determine la validez del modelo
Calcule el coeficiente de variacin e intrprete los resultados

CONCLUSIONES
Luego de llevar a cabo diferentes investigaciones y mediante la aplicacin de este
modelo en ejemplos aplicables, se puede concluir que el modelo de regresin
lineal simple es un modelo el cual es aplicable en la vida real desde aplicaciones
a determinadas investigaciones hasta una gran empresa, la cual nos sirve como
una gran herramienta para determinar el pronstico en valores de una variable
dependiente que depende de otra variable.

BIBLIOGRAFIA
Llinas Humberto.estaditica inferencial. Pginas 313-333. Ediciones Uninorte