USAC.

FACULTAD DE INGENIERÍA
ANÁLISIS PROBABILÍSTICO
INGA. MARIA EUGENIA AGUILAR

REGRESION LINEAL SIMPLE

A continuación se presenta una muestra de los pesos en libras y el rendimiento de combustible

en carretera en (mi/gal) de automóviles elegidos al azar (Ford, Mustang, BMW, Honda Civic,
Mazda, Hyundai, Suzuki).

Peso 3175 3450 3225 3985 2440 2500 2290

Rendimiento 27 29 27 24 37 34 37

a. Trace y analice el gráfico de dispersión.

b. Obtenga la recta de regresión.
c. Calcule el rendimiento cuando el peso es de 3600 lb.
d. ¿Cuál es el peso de un automóvil que tiene un rendimiento de 30 mi/gal?
e. Calcule e interprete la desviación estándar del modelo
f. Calcule e interprete el coeficiente de correlación lineal.
g. Calcule e interprete el coeficiente de determinación.
h. Calcule un intervalo de confianza del 95% para la pendiente del modelo
i. Calcule un intervalo de confianza del 95% para y valor medio cuando el peso es de
3500 lb
j. Calcule un intervalo de confianza del 95% para y valor individual cuando el peso es de
3500 lb
k. Realice una prueba de hipótesis para la correlación.
 a. Trace y analice el gráfico de dispersión.

Peso Rendimiento
3175 27
3450 29
3225 27
3985 24
2440 37
2500 34
2290 37

b. Haciendo uso del método matricial obtenga la

recta de regresión.
El modelo presenta una única variable independiente, la cual en adelante se denominará X1.

El modelo se expresará como: Y = b0 + b1X1

Para obtener el modelo mediante matrices se sigue el siguiente procedimiento:

1ero. Vector “Y” 2do. Matriz “X”

3ro. Matriz X’:

4to. X’X 5to. (X’X)-1

6to. X’Y 7mo. Vector b = (X’X)-1 (X’Y)

Modelo: Y = 54.695 – 0.008X1

c. Calcule el rendimiento cuando el peso es de 3600

lb.

Y = 54.695 – 0.008(3600)

Y = 25.895 mi/gal
 d. ¿Cuál es el peso de un automóvil que tiene un
rendimiento de 30 mi/gal?
Y = 54.695 – 0.008X1

X1 = (Y - 54.695)/ – 0.008

X1 = (30 - 54.695)/ – 0.008

X1 = 3086.875 lb

e. Calcule e interprete la desviación estándar del

modelo.
La estimación de la desviación estándar del modelo, denotada por
S, es una medida de las diferencias (o distancias entre los valores
muestrales observados de Y y los valores predichos 𝑌̂ que se
obtienen por medio de la ecuación de regresión.

Recta de regresión ajustada

40
38
36 Rendimiento

34
Rendimiento

32
Pronóstico
30 Rendimiento

28
26 Lineal
(Pronóstico
24 Rendimiento)
22
20
2000 2500 3000 3500 4000 4500 5000
Peso

𝑌̂ = 54.695 – 0.008X1
 La estimación de la desviación estándar se calcula con la fórmula:
SCE
S2  SCE  Y 'Y  b' ( X 'Y )
n  K 1

SCE = suma de cuadrados del error

Y' = 27 29 27 24 37 34 37

SCE
S2  SCE  Y 'Y  b' ( X 'Y )
n  K 1

SCE = 6769 – 6750.97

SCE = 18.03
n=7
k=1
k = (número de equis presentes en la ecuación del modelo, sin
contar Xo)
 18.03
𝑆2 = = 3.606
7−1−1

S = 1.899 mi/gal

f. Calcule e interprete el coeficiente de correlación

lineal.
Una correlación existe entre dos variables cuando una de ellas está
relacionada con la otra de alguna manera.

El coeficiente de correlación lineal r es una medida numérica de la

fuerza de la relación entre dos variables que representan datos
cuantitativos.

Es la medida de la asociación lineal entre dos variables X y Y.

También se le conoce como coeficiente de correlación producto-

momento de Pearson o simplemente, coeficiente de correlación
lineal de Pearson.

Propiedades del coeficiente de correlación lineal:

1. El valor de r está siempre entre –1 y +1, inclusive.

2. El valor de r no cambia si todos los valores de cualquiera de las

variables se convierten a una escala diferente.

3. Es adimensional.

4. Mide la fuerza de una relación lineal. No está diseñado para

medir la fuerza de una relación que no sea lineal.
 𝑟 = √𝑟 2

b' ( X 'Y )  nY 2
r 
2

Y 'Y  nY 2

n=7

Ῡ = 30.71

2
6750.97 − 7(30.71)2
𝑟 =
6769 − 7(30.71)2

r2 = 0.8922

r = 0.9446

g. Calcule e interprete el coeficiente de

determinación.
Si se concluye que existe una correlación lineal entre X y Y, con la
ecuación del modelo es posible predecir correctamente la
proporción de Y expresada en r2.

Para este caso en particular, un 0.8922 de los rendimientos

obtenidos con la recta puede predecirse correctamente.

Puede decirse que es la proporción de la variación de Y que está

explicada por la relación lineal entre X y Y.

Al coeficiente de determinación también se le conoce como grado

de utilidad del modelo.