CENTRO UNIVERSITARIO

DE EDUCACION A
DISTANCIA
CUDED

CURSO: ESTADISTICA II

P R E E N A M M

DOCENTE: MG. EDWARD SOLIS

QUE
VAN A
APRENDER ANALISIS DE REGRESION Y
CORRELACION LINEAL SIMPLE
PROFESOR : EDWARD SOLIS PALOMINO
 LOGRO DE SESIÓN

Al finalizar la sesión, el
estudiante resuelve ejercicios
relacionados con problemas con
regresión y correlación,
aplicadas a situaciones
contextualizados a su entorno en
forma correcta.

3
 ALGUNOS EJEMPLOS DE
VARIABLES Y SU RELACIÓN

• ¿Existe alguna relación entre la cantidad que

HyM gasta por mes en publicidad y sus ventas
mensuales?
• Con base en el costo de calefacción de una casa
en el mes de enero. ¿Es posible estimar el área
de la casa?
• ¿Hay alguna relación entre las millas por galón
que rinde una camioneta grande y el tamaño del
motor?
• ¿Hay alguna relación entre el número de horas
que estudiaron los alumnos para un examen y la
calificación que obtuvieron?
 TENDENCIA LINEAL

• Es la que puede señalarse en una línea

recta o curva suave, y puede ser
ascendente o descendente.
REGRESIÓN Y CORRELACIÓN

• Los análisis de Regresión y de Correlación están

basados en la relación o asociación, entre 2 o más
variables:
• Una variable conocida llamada Variable
Independiente.
• La variable que se está tratando de predecir es la
Variable Dependiente.

• La regresión y los análisis de correlación muestran

como determinar tanto la naturaleza como la fuerza
de una relación entre dos variables.
 REGRESIÓN Y CORRELACIÓN

 La Regresión y la correlación son dos técnicas

estadísticas que se pueden utilizar para solucionar
problemas comunes en los negocios.
 Muchos estudios se basan en la creencia de que
es posible identificar y cuantificar alguna Relación
Funcional entre dos o más variables, donde una
variable depende de la otra variable.
 Se puede decir que Y depende de X, en donde Y y
X son dos variables cualquiera en un modelo de
Regresión Simple.
MÉTODOS PARA OBTENER UNA
LÍNEA RECTA Y SU ECUACIÓN:

• Método Gráfico,
• de Mano Alzada o Mano Libre,
• Método de Semipromedios,
• Método de Promedios Móviles y
• Método de Mínimos
Cuadrados.
Método de Mínimos Cuadrados:
Para el ajuste de la línea se utiliza el Método de Mínimos Cuadrados, con
la Ecuación de la Línea Recta:

Y = a + bx
Y cuando se usa para describir la tendencia es escrita así:
Yc = a + bx
ANÁLISIS DE REGRESIÓN

Es la técnica mas usada en investigación

económica y comercial para buscar una
relación entre 2 o mas variables ligadas de
un modo causal.

Consiste en general en: una función a

partir de datos o información conocida
para hacer estimaciones .
TIPOS ANÁLISIS DE REGRESIÓN

a) REGRESION LINEAL SIMPLE

Se refiere al análisis de 2 variables.

b) REGRESION MÚLTIPLE
Cuando se relacionan 3 o mas variables.
 REGRESIÓN LINEAL SIMPLE

En el análisis de regresión se desarrolla una

ecuación de estimación, esto es, una fórmula
matemática que relaciona las variables conocidas
con la variable desconocida.

MODELO DE REGRESIÓN

 En el Modelo de Regresión es muy importante

identificar cuál es la variable dependiente y cuál es
la variable independiente.
MODELO DE REGRESIÓN

 En el Modelo de Regresión Simple se establece que

“Y” es una función de sólo una variable
independiente, razón por la cual se le denomina
también Regresión Divariada porque sólo hay dos
variables, una dependiente y otra independiente.
 La variable dependiente es la variable que se desea
explicar, predecir. También se le llama
REGRESANDO ó VARIABLE DE RESPUESTA.

 La variable Independiente «X» se le denomina

VARIABLE EXPLICATIVA ó REGRESOR y se le
utiliza para EXPLICAR «Y»
 TÉCNICAS MÁS UTILIZADAS EN EL
ANÁLISIS DE REGRESIÓN LINEAL SIMPLE

1) Ordenamiento y análisis de la información

original 14

2) CÁLCULO DE DATOS ESTIMADOS

3)Diagrama de dispersión e interpretación

El primer paso para determinar si existe o no una

relación entre dos variables es analizar la gráfica de
datos observados.
14
TÉCNICAS MÁS UTILIZADAS EN EL ANÁLISIS
DE REGRESIÓN LINEAL SIMPLE

La gráfica se llama Diagrama de Dispersión y es un

diagrama que nos puede dar dos tipos de
información:

• (visualmente) patrones que nos indiquen que las

variables están relacionadas
• Entonces (si esto sucede), podemos ver que tipo
de línea, o ecuación de estimación, describe esta
relación.
 DIAGRAMA DE DISPERSIÓN
Es una gráfica con datos muestrales apareados
(x, y) en un sistema de ejes rectangular, y cada
par ordenado representa un solo punto. Sirve más
para visualizar la asociación entre las variables
que las gráficas de barras de los hechos aislados,
que nos muestran tendencias al estar ordenados
en una secuencia temporal. Al observar una
gráfica debemos “ver”:
 ¿Que dirección tiene?
 Si una variable se incrementa, ¿qué sucede
con la otra?
 ¿Existen datos distantes?
DIAGRAMAS DE DISPERSIÓN

17

17
TIPOS DE RELACIONES LINEALES:

• RELACION LINEAL ASCEDENTE

• RELACION LINEAL DESCENDENTE
• RELACION LINEAL CURVILÍNEA
• RELACION LINEAL CONSTANTE

REGRESIÓN LINEAL SIMPLE

Para este análisis es necesario ajustar los datos a una
línea recta, para poder estimar una variable con
relación a otra. Para esto utilizamos la ecuación de la
línea recta:
Y = a+ bx  Yc = a+ bx = Ecuación de Regresión
 REGRESIÓN LINEAL SIMPLE

Donde:

Yc = Variable estimada o calculada.

a y b = Coeficientes de regresión.
X= Variable que sirve para estimar la otra
variable. Predictor en base a ella se estima el
predictando. (Variable Independiente).
Y = Constituye la Variable a estimar y recibe el
nombre de Predictando. (Variable Dependiente).
 ECUACIONES NORMALES:

• y = N . a +  X b
•  Xy =  X . a +  X^2b
FÓRMULAS PARA ENCONTRAR "A" Y "B":

a
 Y  X   X  XY 
2

n  X    X 
2 2

n  XY   X  Y 
b
n  X    X 
2 2
 COEFICIENTE DE CORRELACIÓN
LINEAL “R”

Mide la fuerza de la relación lineal

entre dos valores cualitativos
apareados, en una muestra. También
se llama “Coeficiente de correlación
producto momento de Pearson.”.
LETRA "r"
Coeficiente de Correlación Lineal
“r”

Si “r” es igual a 0 = no existe correlación

Si “r” mayor que 0 = correlación positiva
Si “r” menor que 0 = correlación negativa
Si “r” es igual a menos 1 = correlación perfecta negativa
Si “r” es igual a uno = correlación perfecta positiva.

Los límites o extremos del coeficiente de correlación

son –1 y 1.
 Mapa de Dispersión
 Correlación perfecta positiva r = 1
 Mapa de Dispersión
 Correlación perfecta negativa r = -1
 Mapa de Dispersión
 No hay correlación r = 0
COEFICIENTE DE CORRELACIÓN:

Es la forma primaria por la cual se puede

medir la extensión o fuerza, de la
asociación que existe entre 2 variables X y
Y.
n  XY   X  Y 
r
n  X 2 2

  X   n  Y   Y 
2 2

COEFICIENTE DE CORRELACIÓN:

Sirve para medir la relación entre dos

variables. Es la segunda medida que se
pueda usar para describir lo bien que
una variable se explica por otra. Cuando
se está tratando de muestras, el
coeficiente de correlación se denota por
“1” y es la raíz cuadrada del coeficiente
de determinación muestral .