REGRESIÓN LINEAL:

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.

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:

REGRESIÓN LINEAL MULTIPLE:

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

REGRESION MULTIPLE COMO HERRAMIENTA PARA PREDECIR

Supongamos que estamos interesados en encontrar un hábitat adecuado para la

familia de los escarabajos tigre (Cicindela dorsalis), que viven en playas arenosas
de la costa atlántica de Norteamérica.
Un posible procedimiento a seguir seria acudir a diferentes playas en las que habitase la
especie y medir en ellas la densidad del escarabajo (Y ) junto con distintos factores
bióticos y abióticos (exposición al oleaje, tamaño del grano de arena, densidad de otros
organismos)
Un modelo de regresión múltiple nos daría una ecuación para relacionar la densidad del
escarabajo con el resto de variables, de modo que si acudimos a una nueva playa en la
que no hay escarabajos y medimos el resto de factores podríamos predecir la densidad
esperada de escarabajos al introducir la especie.

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:

Podemos así determinar que el pronóstico de ventas para el período 7 es equivalente a

13067 unidades.
REGRESIÓN LINEAL MULTIPLE:

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

REGRESION MULTIPLE COMO HERRAMIENTA PARA PREDECIR

Supongamos que estamos interesados en encontrar un hábitat adecuado para la

familia de los escarabajos tigre (Cicindela dorsalis), que viven en playas arenosas
de la costa atlántica de Norteamérica.
Un posible procedimiento a seguir seria acudir a diferentes playas en las que habitase la
especie y medir en ellas la densidad del escarabajo (Y ) junto con distintos factores
bióticos y abióticos (exposición al oleaje, tamaño del grano de arena, densidad de otros
organismos)
Un modelo de regresión múltiple nos daría una ecuación para relacionar la densidad del
escarabajo con el resto de variables, de modo que si acudimos a una nueva playa en la
que no hay escarabajos y medimos el resto de factores podríamos predecir la densidad
esperada de escarabajos al introducir la especie.

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)”

Gasto Ingreso Tamaño Gasto Ingreso Tamaño

00 43 20 1 3 10 29 80 9 3
00 31 10 1 4 00 35 20 4 2
00 32 00 9 5 00 35 10 2 4
00 46 10 6 4 00 78 40 7 3
10 25 60 2 4 00 43 30 5 2
00 44 20 3 3 00 47 20 9 3
00 52 10 8 6 00 38 10 4 4
00 29 10 0 5

DATOS EN LA FORMA MATRICIAL:

Con estos datos se obtiene
El modelo de la regresión lineal se obtienes es:

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

Intervalos de confianza de los parametros de modelo del 90% para la varianza

Varianza de los estimadores de modelo

De donde:

Intervalo de confianza: