REGRESIÓN LINEAL

Faviola Bastidas
C.I.: 21.047.915

En estadística la regresión lineal o ajuste lineal es un modelo

matemático usado para aproximar la relación de dependencia entre
una variable dependiente Y, las variables independientes Xi y un término
aleatorio ε.

El modelo de pronóstico de regresión lineal permite hallar el valor

esperado de una variable aleatoria a cuando b toma un valor específico. La
aplicación de este método implica un supuesto de linealidad cuando la
demanda presenta un comportamiento creciente o decreciente, por tal razón,
se hace indispensable que previo a la selección de este método exista un
análisis de regresión que determine la intensidad de las relaciones entre las
variables que componen el modelo.

El uso de la regresión lineal está muy generalizado y se puede

aplicar prácticamente a cualquier campo que esté relacionado entre otros con
la economía, finanzas, medicina, biología, física, ingeniería, etc., es decir,
permite relacionar de forma rigurosa y cuantificable variables en diferentes
ambientes.

INTERPRETACIÓN DEL COEFICIENTE DE CORRELACIÓN

Para poder contar con un indicador que nos permita, por un lado
establecer la covariación conjunta de dos variables, y por otro, que tenga la
universalidad suficiente para poder establecer comparaciones entre distintos
casos, se utiliza el coeficiente de correlación (lineal, de Pearson).La
correlación es, pues una medida de covariación conjunta que nos informa del
sentido de esta y de su relevancia, que está acotada y permite la
comparación entre distintos casos.

Para interpretar el mismo se deben seguir los siguientes criterios:

 Si r < 0 Hay correlación negativa : las dos variables se correlacionan

en sentido inverso. A valores altos de una de ellas le suelen
corresponder valor bajos de la otra y viceversa. Cuánto más
próximo a -1 esté el coeficiente de correlación más patente
será esta covariación extrema. Si r= -1 hablaremos de correlación
negativa perfecta lo que supone una determinación absoluta
entre las dos variables ( en sentido inverso): Existe una relación
funcional perfecta entre ambas (una relación lineal de pendiente
negativa).

 Si r > 0 Hay correlación positiva: las dos variables se correlacionan

en sentido directo. A valores altos de una le corresponden valores
altos de la otra e igualmente con los valores bajos. Cuánto más
próximo a +1 esté el coeficiente de correlación más patente será
esta covariación. Si r = 1 hablaremos de correlación positiva
perfecta lo que supone una determinación absoluta entre las dos
variables (en sentido directo): Existe una relación lineal perfecta ( con
pendiente positiva).

 Si r = 0 se dice que las variables están incorrelacionadas: no puede

establecerse ningún sentido de covariación.

 Propiedad importante: Si dos variables son independientes estarán

incorrelacionadas aunque el resultado recíproco no es necesariamente
cierto
DIFERENCIA ENTRE COEFICIENTE DE CORRELACION Y COEFICIENTE
DE DETERMINACION

Para establecer la diferencia entre el coeficiente de correlación

y el coeficiente de determinación se debe tener en cuenta aspectos
muy puntuales sobre cada uno de ellos. En primer lugar, se debe
precisar que el coeficiente de correlación mide el grado de relación
entre variables aleatorias, mientras que, por su parte, el coeficiente
de determinación mide el grado de relación entre una variable aleatoria
con una variable fija.

Por otro lado, también es importante resaltar que el coeficiente

de correlación es independiente de la escala de medida de las variables
y es un factor numérico que esta entre -1 y 1. Mientras que el de
determinación es una cifra porcentual que va entre el 0 y el 30% y
depende de la variable dependiente.

INTERPRETACIÓN DEL ERROR ESTANDAR DE ESTIMACIÓN

El error estándar nos permite deducir la confiabilidad de la ecuación de

regresión que hemos desarrollado.

Este error se simboliza Se y es similar a la desviación estándar en

cuanto a que ambas son medidas de dispersión.

El error estándar de la estimación mide la variabilidad, o dispersión de

los valores observados alrededor de la línea de regresión.

El error estándar de estimación se calcula con la finalidad de medir la

confiabilidad de la ecuación de la estimación.
 El error estándar de estimación permite medir la variabilidad o
dispersión de los valores de (y) los cuales encontramos en la muestra,
alrededor de la línea recta de regresión.

El resultado que se obtiene del cálculo del error estándar

de estimación se expresa en término de los valores de la variable
dependiente yi.

Como se aplicaba en la desviación estándar, mientras más grande sea

el error estándar de estimación, mayor será la dispersión de los puntos
alrededor de la línea de regresión. De manera que inversa, si Se = 0,
esperemos que la ecuación de estimación sea un estimador perfecto de la
variable dependiente.

A que nos referimos con esto, que si el error estándar de estimación

(Se) es igual a cero (0), se espera que la ecuación de estimación (Ŷ = a + bx)
sea un estimador perfecto de la variable dependiente y todos los puntos en el
diagrama de dispersión deben estar concentrados alrededor de la línea recta
de regresión.

Por el contrario, mientras más grande sea el valor numérico del error
estándar (Se), mayor será la dispersión de los puntos alrededor de la línea
recta de regresión.
 EJERCICIO

En Standard Knitting Co. han reunido información acerca de los gastos

generales y las unidades producidas en diferentes plantas, y ahora desean
estimar una ecuación de regresión para predecir los gastos generales
futuros.

Gastos generales 191 170 272 155 280 173 234 116 153 178
Unidades 40 42 53 35 56 39 48 30 37 40

Unidades Gastos Generales x*y x² y²

40 191 7640 1600 36481
42 170 7140 1764 28900
53 272 14416 2809 73984
35 155 5425 1225 24025
56 280 15680 3136 78400
39 173 6747 1521 29929
48 234 11232 2304 54756
30 116 3480 900 13456
37 153 5661 1369 23409
40 178 7120 1600 31684
420 1922 84541 18228 395024

Fórmulas
Pendiente de la línea de regresión
𝛴𝑥𝑦 − 𝑛 ∗ 𝑥̅ ∗ 𝑦̅
𝛽=
𝛴𝑥 2 − 𝑛 ∗ 𝑥̅ 2

Intersección de la línea de regresión

𝛼 = 𝑦̅ − 𝛽 ∗ 𝑥̅
Recta de regresión
𝑌𝑒 = 𝛼 + 𝛽 ∗ 𝑥
Error de Estimación

∑(y − ŷ)2
𝑆𝑥𝑦 = √
n−2
𝛴𝑥 𝛴𝑦
𝑥̅ = 𝑦̅ =
𝑛 𝑛

a) Desarrolle una ecuación de regresión para contabilidad de costos.

420
𝑥̅ = = 42
10
1922
𝑦̅ = = 192,2
10

84541 − 10 ∗ 42 ∗ 192,2 3817

𝛽= = = 6,491496599
18228 − 10 ∗ 422 588

𝛼 = 192,2 − 6,491496599 ∗ 42 = 192,2 − 272,6428571 = −80,44285714

𝑌𝑒 = 𝛼 + 𝛽 ∗ 𝑥
𝑌𝑒 = −80,44285714 + 6,491496599 ∗ 𝑥

a) Pronostique los gastos generales cuando se producen 50 unidades.

𝑌𝑒 = −80,44285714 + 6,491496599 ∗ 50
𝑌𝑒 = −80,44285714 + 324,5748299 = 244,1319728 𝑑𝑒 𝑔𝑎𝑠𝑡𝑜𝑠

c) Calcule el error estándar de la estimación.

∑(y − ŷ)2
𝑆𝑥𝑦 =√
n−2
 Pronósticos para Y Residuos Residuos cuadrados
179,2170068 11,7829932 138,8389287
192,2 -22,2 492,84
263,6064626 8,393537415 70,45147034
146,7595238 8,24047619 67,90544785
283,0809524 -3,080952381 9,492267574
172,7255102 0,274489796 0,075344648
231,1489796 2,851020408 8,128317368
114,3020408 1,697959184 2,883065389
159,742517 -6,742517007 45,46153559
179,2170068 -1,217006803 1,481105558
837,557483

837,557483 837,557483
𝑆𝑥𝑦 = √ =√ = √104,6946854 = 10,2320
10 − 2 8