Documente Academic
Documente Profesional
Documente Cultură
Existen medidas de la intensidad de la relación que presentan las variables que son
fundamentales para determinar en qué momento es conveniente utilizar regresión lineal.
ANALISIS DE REGRESIÓN
El objetivo de un análisis de regresión es determinar la relación que existe entre una
variable dependiente y una o más variables independientes. Para poder realizar esta
relación, se debe postular una relación funcional entre las variables.
COEFICIENTE DE CORRELACIÓN (R)
El coeficiente de correlación, comúnmente identificado como r o R , es una medida de
asociación entre las variables aleatorias X y Y, cuyo valor varía entre -1 y +1.
El cálculo del coeficiente de correlación se efectúa de la siguiente manera:
Una extensión natural del modelo de regresión lineal simple consiste en considerar más
de una variable explicativa.
Los modelos de regresión múltiple estudian la relación entre:
Una variable de interés Y (variable respuesta o dependiente) y un conjunto de variables
explicativas X1 , X2 , . . . , Xp.
En el modelo de regresión lineal múltiple se supone que la función de regresión que
relaciona la variable dependiente con las variables independientes es lineal, es decir:
Y = β0 + β1 X1 + β2 X2 + …. + βp Xp + ε
Ejemplo:
La juguetería Gaby desea estimar mediante regresión lineal simple las ventas para el mes
de Julio de su nuevo carrito infantil "Mate". La información del comportamiento de las
ventas de todos sus almacenes de cadena se presenta en el siguiente tabulado.
El primer paso para encontrar el pronóstico del mes 7 consiste en hallar la pendiente, para
ello efectuamos los siguientes cálculos:
Luego, y dado que ya tenemos el valor de la pendiente b procedemos a calcular el valor
de a, para ello efectuamos los siguientes cálculos:
Ya por último, determinamos el pronóstico del mes 7, para ello efectuamos el siguiente
cálculo:
Una extensión natural del modelo de regresión lineal simple consiste en considerar más
de una variable explicativa.
Los modelos de regresión múltiple estudian la relación entre:
Una variable de interés Y (variable respuesta o dependiente) y un conjunto de variables
explicativas X1 , X2 , . . . , Xp.
En el modelo de regresión lineal múltiple se supone que la función de regresión que
relaciona la variable dependiente con las variables independientes es lineal, es decir:
Y = β0 + β1 X1 + β2 X2 + …. + βp Xp + ε
EJEMPLOS:
Uno de los problemas que se tratan en disciplinas como la Ecología o la Biología de la
Conservación es el de identificar factores que influyen en variables como la riqueza de
una especie (medida como el número de individuos de la especie en un
área dada)
1.- Se quiere ajustar un modelo que permita estimar los gastos en al- imentación de una
familia (Y ) en base a la información que proporcionan las variables regresoras X1
=ingresos mensuales y X2 =número de miembros de la familia. Para ello se recoge una
muestra aleatoria simple de 15 familias cuyos resultados son los de la tabla adjunta. (El
gasto e ingreso está dado en cientos de miles de pesetas)”
Apartir de ecuacion se obtiene las prediciones y los residuos asosiados a las observaciones
muestrales.
Razonando asi todos los puntos muestrales se obtiene las siguientes predicciones y residuos
Se calcula la ScR.
Una forma más fácil de calcular la scR
De donde:
Intervalo de confianza: