Vous êtes sur la page 1sur 10

UNIVERSIDAD DE LAS FUERZAS

ARMADAS ESPE

ESTADISTICA

TEMA: REGRESION LINEAL

INTEGRANTES:
MICHAEL SIMBA
JOSELYN LEMA
RONNY PRIMINTELA
MARLON MINGA

NRC: 1261
REGRESION LINEAL

En estadstica la regresin lineal o ajuste lineal es un modelo matemtico usado para


aproximar la relacin de dependencia entre una variable dependiente Y, las variables
independientes

El pronstico de regresin lineal simple es un modelo ptimo para patrones de demanda


con tendencia (creciente o decreciente), es decir, patrones que presenten una relacin de
linealidad entre la demanda y el tiempo.

Expresndolo en forma simple, la regresin lineal es una tcnica que permite cuantificar
la relacin que puede ser observada cuando se grafica un diagrama de puntos dispersos
correspondientes a dos variables, cuya tendencia general es rectilnea; relacin que cabe
compendiar mediante una ecuacin del mejor ajuste de la forma:

= + ( ) (1)

En esta ecuacin, representa los valores de la coordenada a lo largo del eje vertical en
el grfico (ordenada); en tanto que indica la magnitud de la coordenada sobre el eje
horizontal (absisa). El valor de (que puede ser negativo, positivo o igual a cero) es
llamado el intercepto; en tanto que el valor de (el cual puede ser negativo o positivo)
se denomina la pendiente o coeficiente de regresin.

( )( )( )
= ( )
( 2 )( )2

SUPUESTOS DEL MODELO DE REGRESIN LINEAL

Para poder crear un modelo de regresin lineal es necesario que se cumpla con los
siguientes supuestos:
Que la relacin entre las variables sea lineal.
Que los errores en la medicin de las variables explicativas sean independientes entre
s.
Que los errores tengan varianza constante. (Homocedasticidad)
Que los errores tengan una esperanza matemtica igual a cero (los errores de una
misma magnitud y distinto signo son equiprobables).
Que el error total sea la suma de todos los errores.

LA COVARIANZA

La covarianza de una variable bidimensional es la media aritmtica de los productos de


las desviaciones de cada una de las variables respecto a sus medias respectivas.

La covarianza se representa por

(1 )
=

. Representa en un listado matricial de datos donde cada registro es una observacin y


de registros.
.-Representan a las medias aritmticas.

La covarianza indica el sentido de la correlacin entre las variables

Si > 0 la correlacin es directa. es decir a grandes valores de


corresponden grandes valores de .
Si < 0 la correlacin es inversa. es decir, a grandes valores de
corresponden pequeos valores de
Si = 0 Una covarianza (0) se interpreta como la no existencia de una
relacion lineal entre las dos variables estudiadas.

CALCULO DE LA COVARIANZA EN E

2
2 =
2 (covarianza en x )

2
2 =
2 (covarianza en y )

DESVIACIONES TPICAS.

= 2
= 2

COEFICIENTE DE LA CORRELACION LINEAL

Es el cociente entre la covarianza y el producto de las desviaciones tpicas de ambas


variables.

El coeficiente de correlacin lineal se expresa mediante la letra .

( ) ( )( )
=
[( 2 ) ( )2 ] [( 2 ) ( )2 ]

O se expresa tambin de la siguiente manera

Dnde:

Representan las desviaciones tpicas

COEFICIENTE DE DETERMINACION

Este coeficiente es igual al resultado del coeficiente correlacin lineal elevado al


cuadrado

2 = ()2

PROPIEDADES

El coeficiente de correlacin no vara al hacerlo la escala de medicin.

Es decir, si expresamos la altura en metros o en centmetros el coeficiente de


correlacin no vara.

El signo del coeficiente de correlacin es el mismo que el de la covarianza.

Si la covarianza es positiva, la correlacin es directa.


Si la covarianza es negativa, la correlacin es inversa.
Si la covarianza es nula, no existe correlacin.
Si = 1 1, los puntos de la nube estn sobre la recta creciente o
decreciente. Entre ambas variables hay dependencia funcional.
RECTAS DE REGRESIN

Las rectas de regresin son las rectas que mejor se ajustan a la nube de puntos (o tambin
llamado diagrama de dispersin) generada por una distribucin binomial.
Matemticamente, son posibles dos rectas de mximo ajuste:

La recta de regresin de sobre :



= ( )
2

La recta de regresin de sobre :


= ( )
2

EJERCICIOS

Se seleccion una muestra de 12 casas vendidas la semana pasada en una ciudad de


Ecuador. Puede concluirse que a medida que aumenta la extensin del inmueble
(indicada en miles de metros cuadrados), el precio de venta (en miles de dlares)
aumenta tambin.

a) Determine la ecuacin de regresin


b) Calcule el coeficiente de correlacin
c) Obtenga el coeficiente de determinacin
d) Se puede concluir que existe una asociacin positiva entre la extensin de una
casa y su precio de venta. Use el nivel de significancia 0.05

N Extensin (X) Precio venta (Y) X2 Y2 XY


1 1.4 100 1.96 10000 140

2 1.3 110 1.69 12100 143

3 1.2 105 1.44 11025 126

4 1.1 120 1.21 14400 132

5 1.4 80 1.96 6400 112

6 1.0 105 1.0 11025 105

7 1.3 110 1.69 12100 143

8 0.8 85 0.64 7225 68

9 1.2 105 1.44 11025 126


10 0.9 75 0.81 5625 67.5

11 1.1 70 1.21 4900 77

12 1.1 95 1.21 9025 14.5

13.8 1160 16.26 114850 1344

Solucin:
a)

( ) ( )( )
=
( 2 ) ( )2
12 (1344) (13.8)(1160)
=
12 (16.26) (13.8)2
= 25.64102

=

1160 13.8
= 25.64102
12 12
= 67.17949
= 67.17949 + 25.64102

140

120
y = 25.641x + 67.179
100 R = 0.0944

80
Series1
60 Lineal (Series1)

40

20

0
0 0.5 1 1.5

b)
( ) ( )( )
=
[( 2 ) ( )2 ] [( 2 ) ( )2 ]
12 (1344) (13.8)(1160)
=
[12 (16.26) (13.8)2 ] [12 (114850) (1160)2 ]
16128 16008 120
= =
[195.12 190.44] [1378200 1345600] (4.68)(32600)
120 120
= = = 0.307
152568 390.59
c)
2 = (0.307)2 = 0.0944
d)
0 : 0; 1 : > 0
Se rechaza 0 > 1.860

2 0.307 12 2
= =
1 2 1 0.30.72
0.307 3.162
=
0.9056
0.970
= = 1.019
0.9516
NO se rechaza la H0. No hay una correlacin positiva entre la extensin de la casa y el
precio de venta.

EJERCICIO 2

A partir de los siguientes datos referentes a horas trabajadas en un taller


(), y a unidades producidas (), determinar la recta de regresin de Y
sobre , el coeficiente de correlacin lineal e interpretarlo.

() ()

80 300

79 302

83 315

84 330

78 300

60 250

82 300

85 340
79 315

84 330

80 310

62 240

xi yi xi yi xi2 yi2

80 300 6 400 90 000 24 000

79 302 6 241 91 204 23 858

83 315 6 889 99 225 26 145

84 330 7 056 108 900 27 720

78 300 6 084 90 000 23 400

60 250 3 600 62 500 15 000

82 300 6 724 90 000 24 600

85 340 7 225 115 600 28 900

79 315 6 241 99 225 24 885

84 330 7 056 108 900 27 720

80 310 6 400 96 100 24 800

62 240 3 844 57 600 14 880

936 3 632 73 760 1 109 254 285 908

936 3632
= = 78 = = 302.67
12 12

73760 1109254
2 = 782 = 62.67 2 = 302.672 = 828.7
12 12

= 62.67 = 7.92 = 828.7 = 28.

= +
302.47 = 3.47( 78) = 3.47 + 32.01
217.41
= = 0.95
(7.92)(28.8)
BIBLIOGRAFIA:

http://www.udc.es/dep/mate/estadistica2/sec6_8.html

http://evirtual2.espe.edu.ec/contactos.cgi?id_curso

http://www.ingenieriaindustrialonline.com/herramientas-para-el-
ingeniero-industrial/

https://www.google.com/search?q=que+significa+n+ec+covarianza&i

https://es.wikipedia.org/wiki/Regresi%C3%B3n_lineal#Rectas_de_regres
i.C3.B3n