2017

Curso de: INFERENCIA ESTADÍSTICA

UNIDAD 6: REGRESIÓN LINEAL SIMPLE

Autor: Sergio Samuel Nieves Vanegas

UNIVERSIDAD AUTÓNOMA DEL CARIBE | Barranquilla, Colombia |2017

 Contenido Unidad 6

6. REGRESIÓN LINEAL SIMPLE ............................................................................................3

6.1. REGRESIÓN LINEAL SIMPLE: .......................................................................................4
6.2. TIPOS DE RELACIONES.................................................................................................4
6.2.1. Coeficiente de Correlación: R .......................................................................................5
6.2.2. Coeficiente de Determinación:𝑹𝟐 .................................................................................6
6.3. MÉTODOS DE MÍNIMOS CUADRADOS ORDINARIOS .................................................6
6.3.1. Coeficiente de Correlación: R .......................................................................................9
6.3.2. Coeficiente de Determinación:𝑹𝟐 .................................................................................9
 Unidad 6

6. REGRESIÓN LINEAL SIMPLE

En los negocios muchas veces se deben comparar dos o más variables para

determinar si existen relación entre las mismas, y lo más importante establecer el tipo

de relación , la cual puede darse de varias formas, siendo la relación lineal la más

empleada y la que se centra este capítulo.

Si por ejemplo se está analizando el precio de un producto y su venta, estas variables

tiene una relación lineal, la cual se pueden modelar a través del método de mínimos

cuadrados ordinarios, cuyo resultado será un modelo de regresión lineal simple, donde

existe una variable independiente que se representa por (x) y una variable dependiente

que es (y), esto permite proyectar cómo será el comportamientos de las ventas en

función del precio y de esta forma se pueden trazar directrices y estrategias para que

garanticen una perfecta armonía de estas dos variables.

Ahora bien el hecho de que existan dos variables no garantiza que siempre presenten

una relación lineal, puede ocurrir que no tengan ninguna relación (lineal) aparentemente,

o que la relación sea linealmente negativa como por ejemplo el valor de un bien y el

tiempo de uso, es decir la depreciación del bien, que a medida que el tiempo pasa

(aumenta), el valor del bien disminuye, este es un claro ejemplo de las relaciones

negativas.

Finalmente es importante tener presente la relación entre las variables en los negocios,

ya que es necesaria a la hora de realizar proyecciones y pronósticos, con los cuales se

podrá tomar decisiones coherentes con ese importante análisis, optimizando recursos

tendientes a tomar la mejor de las decisiones para su empresa y/o negocio.

6.1. REGRESIÓN LINEAL SIMPLE:

Permite establecer la relación lineal entre dos variables, una independiente (x) y otra

dependiente (y)

El modelo de regresión lineal está dado por:

𝑦 = 𝛽0 + 𝛽1 𝑥 + 𝜀

El modelo estimado es:

𝑦̂ = 𝛽̂0 + 𝛽̂1 𝑥

Donde:

𝑦̂: Variable dependiente o de respuesta

𝛽̂0: Intercepto de la recta

𝛽̂1: Pendiente de la recta

𝑥: Variable independiente

6.2. TIPOS DE RELACIONES

Cuando se comparan dos variables, puede presentarse las siguientes relaciones:

 RELACIÓN LINEAL POSITIVA
12
10
8
6
4
2
0
0 2 4 6 8 10 12

RELACIÓN LINEAL NEGATIVA

12

10

0
0 2 4 6 8 10 12

SIN RELACIÓN APARENTE

12
10
8
6
4
2
0
0 2 4 6 8 10 12

6.2.1. Coeficiente de Correlación: R

Mide la relación entre las variables (x e y). Este valor se encuentra entre − 1 ≤ 𝑟 ≤1.

 Si r es negativo existirá una relación lineal negativa.

  Si r es positivo existirá una relación lineal negativa

 Si r=o no hay relación aparente

La correlación es perfecta cuando el coeficiente de correlación es 1 o -1, será fuerte

cuando el coeficiente se encuentra entre 0.5 ≤ 𝑟 ≤ 1 y −1 ≤ 𝑟 ≤ −0.5 finalmente será

débil −0.5 ≤ 𝑟 ≤ 0.5.

6.2.2. Coeficiente de Determinación:𝑹𝟐

Proporciona el grado de asociación entre las variables, es decir el grado de cambio en y

se explica por un cambio en x. Este coeficiente se expresa en porcentaje y se encuentro

entre 1 ≤ 𝑅 ≤

Entre mayor sea el valor porcentual, mayor será la explicación entre las variables.

6.3. MÉTODOS DE MÍNIMOS CUADRADOS ORDINARIOS

Este procedimiento permite calcular los coeficientes del modelo de regresión lineal

estimado a través de unas ecuaciones.

𝑁 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
̂1 =
𝛽
𝑁 ∑ 𝑥 2 − (∑ 𝑥)2

̂1 ∑ 𝑥
∑𝑦 − 𝛽
̂0 =
𝛽
𝑁

Esto coeficientes se reemplazarán para hallar la ecuación estimada del modelo de

regresión lineal:

𝑦̂ = 𝛽̂0 + 𝛽̂1 𝑥
Ejemplo

La siguiente tabla muestra la inversión en publicidad en millones de pesos y las ventas

de cierto almacén, se desea determinar la relación entre dichas variables, para decidir si

se continúa con la inversión en publicidad y no se opta por cambiar o combinar la

estrategia de mercadeo.

VENTAS ($)
MES INVESRIÓN EN PUBLICIDAD ($) (X) (y) X.Y 𝑥 2

1 5 8 40 25

2 8 11 88 64

3 7 10 70 49

4 9 12 108 81

5 5 10 50 25

6 8 12 96 64

7 6 11 66 36

8 3 6 18 9

9 2 4 8 4

10 1 5 5 1

11 4 8 32 16

12 7 18 126 49

∑ 65 115 707 423

Solución:
Este es un problema de regresión lineal simple, se debe tener presente las variables en

cuestión, como son: inversión en publicidad, como variable independiente, y ventas como

variable dependiente, sumado a eso se debe realizar un gráfico exploratorio, como es el

gráfico de dispersión donde se determina el tipo de relación existente entre las variables,

luego se procede a calcular mediante el método de mínimos cuadrados ordinarios los

coeficientes del modelo y así la ecuación del modelo estimado.

Relación entre Publicidad y ventas

20
18
16
14
ventas ($)

12
10
8
6
4
2
0
0 2 4 6 8 10
invesrión en puiblicidad ($)

Datos:

N=12

∑ 𝑥 = 65

∑ 𝑦 = 115

∑ 𝑥𝑦 = 707

∑ 𝑥 2 = 423
Reemplazando en las ecuaciones se tiene que:

(12)(707) − (65)(115)
̂1 =
𝛽 = 1.1856
(12)(423) − (65)2

(115) − (1.1856)(65)
̂0 =
𝛽 = 3.1613
12

La ecuación estimada del modelo de regresión lineal es:

𝑦̂ = 3.1613 + 1.1856𝑥

Con este modelo se pueden pronosticar cuanto ascenderán las ventas si se invierte una

cantidad x de publicidad, así:

Si se invierten 10 millones de pesos en publicidad se tiene que:

𝑦̂ = 3.1613 + 1.1856(10) = 15.01

Por lo tanto al invertir 10 millones de pesos en publicidad se esperaría que las ventas

ascendieran a 15 millones de pesos aproximadamente.

6.3.1. Coeficiente de Correlación: R

r = 0.7970
Este valor representa que las variables inversión y ventas están relacionadas

positivamente, esto se confirma preliminarmente con el diagrama de dispersión y su

relación es fuerte, ya que se encuentra en el intervalo de 0.5 ≤ 𝑟 ≤ 1.

6.3.2. Coeficiente de Determinación:𝑹𝟐

R2 = 0.6353 = 65.53%
Las variables se explican en un 65.53%, es decir por cada cambio de la inversión en

publicidad, hay una variación de las ventas, este valor es un poco bajo, ya que se

consideran valores aceptables superiores a 80%

Cabe resaltar que estos cálculos se pueden efectuar por medio de paquetes estadísticos

específicamente Excel, lo cuales se encuentran como complementos de este material.