1.1.

Regresión Lineal simple

El análisis de regresión se usa con el propósito de predicción. La meta del análisis de

regresión es desarrollar un modelo estadístico que se pueda usar para predecir los valores
de una variable dependiente o de respuesta basados en los valores de al menos una
variable independiente o explicativa. Este capítulo se centra en un modelo de regresión
lineal simple, que usa una variable numérica independiente para predecir la variable
numérica dependiente.

El diagrama de dispersión es una gráfica en la que cada punto trazado representa un par de
valores observados por las variables independiente y dependiente. El valor de la variable
independiente X, se traza en relación con el eje horizontal y el valor de la variable
dependiente Y, en relación con el eje vertical.

En la gráfica A se observa que los valores de Y, en general, aumentan en forma lineal cuando se
incrementa. En la gráfica B es un ejemplo de una relación lineal negativa. Cuando crece, se
observa que los valores de Y decrecen. Un ejemplo de este tipo de relación puede ser el precio
de un producto específico y la cantidad de ventas.

En la gráfica C se muestra un conjunto de datos en el que existe muy poca o ninguna relación
entre y Y. Para cada valor de aparecen valores altos y bajos de Y.
En la gráfica D muestran una relación curvilínea entre y Y. Los valores de Y aumentan cuando
crece, pero el incremento disminuye para valores altos de. un ejemplo de esta relación curvilínea
puede ser la edad y el costo de mantenimiento de una máquina. Cuando la máquina tiene muchos
años, el costo de mantenimiento se eleva con rapidez al principio, pero después de cierto número
de años se nivela.
En la gráfica E muestra una relación parabólica o en forma de U entre y Y. Conforme aumenta,
al principio Y disminuye; pero si aumenta más, Y no sólo deja de disminuir, sino que aumenta
después de su valor mínimo. Un ejemplo tipo de relación puede ser el número de errores por hora
en una tarea y número de horas trabajadas.

Por ultimo en la gráfica F indica una relación exponencial o curvilínea negativa entre y Y. en este
caso, Y disminuye con rapidez al principio del incremento de pero después, cuando aumenta más,
la velocidad de disminución es mucho menor. Un ejemplo de esta relación exponencial puede ser
el valor de reventa de un tipo dado de automóvil y los años que tiene. El primer año el valor baja
en forma drástica respeto a su precio original; sin embargo, la disminución es mucho más lenta
en los años subsecuentes.

El análisis de regresión lineal simple se refiere a encontrar la línea recta que mejor se ajuste a
los datos. El mejor ajuste puede definirse de varias maneras. Quizá la más sencilla sea encontrar
la línea recta para la cual las diferencias entre los valores reales y los valores pronosticados a
partir de la recta ajustada de regresión sean tan pequeñas como sea posible. Sin embargo, como
estas diferencias son positivas para algunas observaciones y negativas para otras, en términos
matemáticos se minimiza la suma de los cuadrados de las diferencias.

Suponga que las variables y Y están relacionadas linealmente y que para cada valor de , la
variable dependiente, Y, es una variable aleatoria. Es decir, que cada observación de Y puede
ser descrita por el modelo:
De esta forma, para obtener la recta ajustada es necesario aplicar las fórmulas anteriores, lo
cual es muy sencillo, como se muestra en la tabla 1.2 para los datos de la resistencia de la pulpa.
 Por lo tanto, la línea recta que mejor explica la relación entre porcentaje de fibra y
resistencia del papel, está dada por
Ejemplo
Suponga que el gerente de una cadena de servicios de entrega de paquetería desea desarrollar un
modelo para predecir las ventas semanales (en miles de dólares) para las tiendas individuales
basado en el número de clientes que realizan compras. Se seleccionó una muestra aleatoria entre
todas las tiendas de la cadena con los siguientes resultados.