“AÑO DE LA LUCHA CONTRA LA CORRUPCIÓN Y LA IMPUNIDAD”

UNIVERSIDAD NACIONAL DE JULIACA

GESTIÓN PÚBLICA Y DESARROLLO SOCIAL

TEMA: REGRESIÓN LINEAL

CURSO: ESTADISTICA DESCRIPTIVA

ESTUDIANTES :
Vilca Apaaza Anderson
Anahua Balcon Karen
Chino Quispe Wilson
Sucari Paricoto Yaquelin
Enrriquez Castro Sandra
DOCENTE :
ING. José Oscar Huanca Frias
SEMESTRE : III

JULIACA – PERÚ
2019
INTRODUCCIÓN

La regresión lineal forma parte de un modelo matemático donde depende o tiene dos
variables las cuales son (X;Y).

Permite determinar cuáles son los variables dependientes, explicada predicha e

independientes, explicativa predictora. El modelo de regresión lineal es el término
constante del modelo y es desconocido, a la vez estos son los coeficientes
desconocidos de la combinación lineal.

Por otra parte, veremos tipos de la regresión lineal, donde se dividen en dos: regresión
lineal simple y regresión lineal múltiple pero sólo abordaremos la primera. Para hallar
una regresión lineal simple tenemos dos ejercicios propuestos y explicados con
detalle y pasos para hallar, como también tenemos los supuestos modelos que son
igualdad de varianza, independencia, linealidad y normalidad ; a la estos tipos de
regresión pueden ser distintos en cada gráfico hallado como positivas , negativas y
sin forma.

El presente trabajo se hizo con el objetivo de identificar el rol de la regresión lineal en

la estadística, determinar los tipos de diagrama de dispersión y ejemplificar ejercicios
de regresión lineal.

El trabajo que realizamos nos da a conocer una técnica estadística utilizada para
estudiar la relación entre dos variables. La investigación social, el análisis de
regresión se utiliza para predecir un amplio rango de fenómenos, desde medidas
económicas hasta diferentes aspectos del comportamiento humano.
Regresión lineal

Método matemático que modeliza la relación entre una variable dependiente Y, las
variables independientes Xi y un término aleatorio ε.

Permite determinar el grado de dependencia de las series de valores X e Y,

prediciendo el valor y estimado que se obtendría para un valor x que no esté en la
distribución. (C., 2010)

Regresión lineal simple

Un modelo de regresión es un modelo que permite describir cómo influye una variable
X sobre otra variable Y.

X: Variable independiente o explicativa o exógena.

Y: Variable dependiente o respuesta o endógena.

El objetivo es obtener estimaciones razonables de Y para distintos valores de X a

partir de una muestra de n pares de valores (x1, y1), . . . ,(xn, yn). (Peña, 2010)

Ejemplos

 Estudiar cómo influye la estatura del padre sobre la estatura del hijo.
 Estimar el precio de una vivienda en función de su superficie.
 Predecir la tasa de paro para cada edad.
 Aproximar la calificación obtenida en una materia según el número de horas
de estudio semanal.
Supuestos del modelo de regresión lineal

Para poder crear un modelo de regresión lineal es necesario que se cumpla con los
siguientes supuestos:

1. Que la relación entre las variables sea lineal.

2. Que los errores en la medición de las variables explicativas sean
independientes entre sí.
3. Que los errores tengan varianza constante. (Homocedasticidad)
4. Que los errores tengan una esperanza matemática igual a cero (los errores
de una misma magnitud y distinto signo son equiprobables).
5. Que el error total sea la suma de todos los errores. (Zamora, 2006)

Diagrama de dispersión

El primer paso para el análisis de dispersión, es construir una gráfica de los datos
muéstrales en el plano coordenado XY. Esta gráfica es denominada diagrama de
dispersión.

El diagrama de dispersión indica frecuentemente el tipo de tendencia de Y con

respecto a X.

Si la tendencia es lineal se puede ajustar una línea recta al diagrama de dispersión.

(Zamora, 2006)

Por ejemplo:

Lineal: Cuando la función f (x) es lineal,

f (x) = β0 + β1x

 Si β1 > 0 hay relación lineal positiva.

 Si β1 < 0 hay relación lineal negativa.
Los datos tienen un aspecto recto.

No lineal: Cuando la función f (x) no es lineal. Por ejemplo, f (x) = log(x), f (x) = x 2 +
3,…

Los datos no tienen un aspecto recto.

Ausencia de relación: Cuando f (x) = 0.

Ejercicio: Regresión lineal simple

Se ha realizado un estudio para determinar el efecto de un determinado producto

térmico en la dureza de una determinada pieza. 11 piezas se seleccionaron para el
estudio. Antes del tratamiento se realizaron pruebas para determinar la dureza de
cada pieza. Obteniéndose los siguientes resultados (kg. de presión):

Dureza
previa 182 232 191 200 148 249 276 213 241 480 262
“x”
Dureza
post. 198 210 192 220 138 220 219 161 210 313 226
“y”

PASO 1: Realizar el grafico de dispersión.

 Dureza post. "Y"
350

300

250

200

150

100

50

0
0 100 200 300 400 500 600

Dureza Dureza
(𝑥 − 𝑥̅ )(𝑦
N° previa post. (𝑥 − 𝑥̅ ) (𝑦 − 𝑦̅) (𝑥 − 𝑥̅ )2 (𝑦 − 𝑦̅)2
− 𝑦̅)
“X” “Y”
1 182 198 -61.09 -11.72 715.97 3731.98 137.35
2 232 210 -11.09 0.28 -3.10 122.98 0.07
3 191 192 -52.09 -17.72 923.03 2713.36 313.99
4 200 220 -43.09 10.28 -442.96 1856.74 105.67
5 148 138 -45.09 71.72 689.85 9042.10 5143.75
6 249 220 5.91 10.28 60.75 34.92 105.67
7 276 219 32.91 9.28 305.40 1083.06 86.11
8 213 161 -30.09 48.72 1465.98 905.40 2373.68
9 241 210 -2.09 0.28 -0.58 4.36 0.07
10 480 313 236.91 103.28 24468.06 56126.34 10666.75
11 262 226 18.91 16.28 307.85 357.58 265.03

∑ 𝑥 = 2674 𝑥̅ = 243.09 ∑ 𝑦 = 2307 𝑦̅ = 209.72

PASO 2: Identificar las sumatorias.

𝑆𝑥𝑦 = 34620.25
 𝑆𝑥𝑥 = 75978.82

𝑆𝑦𝑦 = 19198.09

PASO 3: Calcular la correlación.

𝑆𝑥𝑦
𝑟=
√(𝑆𝑥𝑥)(𝑆𝑥𝑦)

34620.25
𝑟=
√(75978.82)(19198.09)

34620.25
𝑟=
√1458648224

34620.25
𝑟=
38192.25

𝑟 = 0.90

PASO 4: Calcular 𝑎 y 𝑏 para obtener 𝑦̂.

𝑆𝑥𝑦 34620.25
𝑏= = = 0.45
𝑆𝑥𝑥 75978.82

𝑎 = 𝑦̂ − (𝑏)(𝑥̅ ) = 209.72 − (0.45)(243.09)

= 209.72 − 109.39

= 100.33

PASO 5: Calcular 𝑦̂ ajustada.

𝑦̂ = 𝑎 + (𝑏)(𝑥) = 100.3 + (0.45)(182) = 182.23

𝑦̂ = 𝑎 + (𝑏)(𝑥) = 100.3 + (0.45)(232) = 204.73

𝑦̂ = 𝑎 + (𝑏)(𝑥) = 100.3 + (0.45)(191) = 186.28

𝑦̂ = 𝑎 + (𝑏)(𝑥) = 100.3 + (0.45)(200) = 190.33

𝑦̂ = 𝑎 + (𝑏)(𝑥) = 100.3 + (0.45)(148) = 166.93

𝑦̂ = 𝑎 + (𝑏)(𝑥) = 100.3 + (0.45)(249) = 212.38

𝑦̂ = 𝑎 + (𝑏)(𝑥) = 100.3 + (0.45)(276) = 224.53

 𝑦̂ = 𝑎 + (𝑏)(𝑥) = 100.3 + (0.45)(213) = 196.18

𝑦̂ = 𝑎 + (𝑏)(𝑥) = 100.3 + (0.45)(241) = 208.78

𝑦̂ = 𝑎 + (𝑏)(𝑥) = 100.3 + (0.45)(480) = 316.33

𝑦̂ = 𝑎 + (𝑏)(𝑥) = 100.3 + (0.45)(262) = 218.23

PASO 6: Calcular la regresión lineal.

(𝑆𝑥𝑦)2 (34620.25)2 1198561710

𝑟= = = = 0.82
(𝑆𝑥𝑥)(𝑆𝑦𝑦) (75978.82)(19198.09) 1458648224

PASO 7: Graficar 𝑦̂ ajustada.

𝑥 𝑦̂
182 182.23
232 274.23
291 186.28
200 190.33
148 166.93
249 212.38
276 224.53
213 196.18
241 208.78
480 316.33
262 218.23
 𝑦̂
350

300

250

200

150

100

50

0
0 100 200 300 400 500 600

Interpretación:

Se pronostica que al agregar un elemento al material la dureza será de 0.82 Newton.

Ejercicio N° 2

Los siguientes datos corresponden a las horas de estudio de los estudiantes de la

UNAJ y la nota que obtuvieron en el examen del curso de epistemología.

Se desea predecir la nota de los alumnos en función a la cantidad de horas de

estudio a la semana para el examen de epistemología.
Horas de estudio (X) Nota de examen de
epistemología (Y)
3 9
5 10
1 5
2 9
6 12
7 15
8 16
7 14
9 18
2 7
Primeramente graficar el diagrama de dispersión

 Existe infinitas rectas que pasen cerca de los 10 puntos

Sin embargo hay una que es la mejor.
 Le vamos a llamar ecuación estimada (Y)

Y = B0 + B1x

METODO DE MINIMOS CUADRADOS

∑𝑋∑𝑌
∑ 𝑋𝑌 −
B1 = 𝑛
(∑ 𝑥)2 =
𝑆 𝑋𝑌
B0 = (Y) − B1(X)
∑ 𝑥2 − 𝑆𝑋𝑋
𝑛

.∑ 𝑋 = 50 n =10

.∑ 𝑌 = 115 𝑚𝑒𝑑𝑖𝑎 𝐴. 𝑥 =5

.∑ 𝑥 2 = 322

.∑ 𝑥𝑦 = 679 𝑚𝑒𝑑𝑖𝑎 𝐵. 𝑦 = 11.5

.∑ 𝑦 2 = 1337
 ∑𝑋∑𝑌 (50)(115)
∑ 𝑋𝑌 − 679 − 13
B1 = 𝑛 = 10 = = 1.44
(∑ 𝑥)2 (50) 2 9
∑ 𝑥2 − 322 −
𝑛 10
Tiene la pendiente de 1.44

B0 = (Y) − B1 (X) = 11.5 – (1.44)(5) = 107.8

Y = B0 + B1x

= 107.8-1.44 X

Interpretación:
De los resultados obtenidos se concluye que por cada hora de estudio de los
estudiantes de la UNAJ su nota asciende en 1.44 puntos, en el examen del curso de
epistemología.
CONCLUSIÓN

1. El análisis de regresión lineal es una técnica estadística utilizada para estudiar

la relación entre variables. Se adapta a una amplia variedad de situaciones. En
la investigación social, el análisis de regresión se utiliza para predecir un amplio
rango de fenómenos, desde medidas económicas hasta diferentes aspectos
del comportamiento humano.

2. De lo estudiado se concluye que existen tres tipos de diagramas de dispersión:

Lineal, No lineal y Ausencia de relación que indican frecuentemente el tipo de
tendencia de Y con respecto a X.

3. En el cuerpo del trabajo se ejemplifico dos ejercicios de regresión lineal simple.

BIBLIOGRAFÍA

C., R. M. (2010). Estadistica Descriptiva Conceptos y Aplicaciones. Lima: San Marcos.

Peña, D. (noviembre de 2010). Estadistica II Regreción lineal simple. Obtenido de

http://halweb.uc3m.es/esp/Personal/personas/aarribas/esp/docs/estII/tema4esp(2).pdf

Zamora, M. C. (2006). Estadistica Inferencial aplicaciones. Lima: MOSHERA S.R.L.