Regresión Lineal

Simple

Estadística Inferencial

José A. Limón C. 1
 ESTADÍSTICA INFERENCIAL I
Unidad V.- Regresión lineal simple

En la administración, Muchas decisiones suelen basarse en la relación entre dos o más variables.

Ejemplos:
Observar la relación entre el gasto en publicidad y las ventas puede permitir a un gerente de mercadotecnia tratar de
predecir las ventas correspondientes a un determinado gasto en publicidad.

Una empresa de servicios públicos puede emplear la relación entre la temperatura diaria y la demanda de electricidad para
predecir la demanda de electricidad considerando las temperaturas diarias que se esperan el mes siguiente.

A un director de educación le puede interesas saber si existe alguna relación entre el número de horas que estudiaron los
alumnos para un examen y la calificación que obtuvieron .

Algunas veces los directivos se apoyan en la intuición para juzgar la relación entre dos variables.

Sin embargo, cuando es posible tener datos, puede emplearse un procedimiento estadístico llamado análisis de regresión
para obtener una ecuación que indique cuál es la relación entre las variables.

El análisis de correlación es el estudio de la relación entre variables.

El tipo más sencillo de análisis de regresión en el que interviene una variable independiente y una variable dependiente y la
relación entre estas variables es aproximada mediante una línea recta. A este tipo de análisis de regresión se le conoce
como regresión lineal simple.

Ejemplo.1
El gerente de ventas de una compañía de equipos de oficina, desea determinar si hay alguna relación entre el número de
llamadas de ventas en un mes y el número de copiadoras vendidas ese mes. El gerente selecciona una muestra aleatoria de
10 representantes de ventas y determina el número de llamadas de ventas que cada uno hizo el mes pasado y el número de
copiadoras vendidas. La información muestral aparece en la tabla
Número de llamadas Numero de copiadoras
Vendedor
de ventas vendidas
Samuel Ramos 20 30

Verónica Martell 40 60

Juan Escobar 20 40

Aldo García 30 60

Alfredo Montes 10 30

Sandra Méndez 10 40

Fabiola Estrada 20 40

Mario Ventura 20 50

Anahí Flores 20 30

Javier Santos 30 70
 Diagrama de dispersión
80

70 En este ejemplo podemos observar que los puntos graficados

tienden a formar una línea recta, que sería lo ideal, para decir que si
60 existe una fuerte relación entre las dos variables
(Variable dependiente)
Copiadoras vendidas

50

40
Sería razonable que el gerente, diga a sus vendedores que, entre
más llamadas de ventas hagan, se espera que vendan más
copiadoras.
30

20

10

0
0 10 20 30 40 50

Llamadas de ventas
(Variable Independiente)
x =Número de y = Numero de
llamadas de copiadoras
ventas vendidas
20 30 -2 -15 30 4 225
40 60 18 15 270 324 225
20 40 -2 -5 10 4 25
30 60 8 15 120 64 225
10 30 -12 -15 180 144 225
10 40 -12 -5 60 144 25
20 40 -2 -5 10 4 25
20 50 -2 5 -10 4 25
20 30 -2 -15 30 4 225
30 70 8 25 200 64 625
= 220 = 450 = =
900 760 = 1850
10 10
= 22 = 45

𝟗𝟎𝟎
𝒓= = 𝟎. 𝟕𝟓𝟗𝟎
𝟕𝟔𝟎 𝟏𝟖𝟓𝟎
 Análisis de regresión

Para poder predecir (Estimar) qué valor tomará la variable dependiente Y si conocemos el valor de la variable independiente
X, se necesita una ecuación para expresar la relación lineal (recta) entre las dos variables. La técnica para desarrollar la
ecuación y proporcionar los estimados se denomina análisis de regresión.

Ecuación de la regresión : es un ecuación que expresa la relacion lineal entre dos variables

Forma general de la ecuación de regresión lineal

𝒊 = 𝜷𝟎 + 𝜷 𝟏 𝒊 + 𝜺𝒊
𝒊 = 𝑽𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒅𝒆𝒑𝒆𝒏𝒅𝒊𝒆𝒏𝒕𝒆
𝒊 = 𝑽𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒊𝒏𝒅𝒆𝒑𝒆𝒏𝒅𝒊𝒆𝒏𝒕𝒆
𝜷𝟎 , 𝜷𝟏 = 𝑪𝒐𝒆𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒆𝒔 𝒅𝒆 𝒓𝒆𝒈𝒓𝒆𝒔𝒊ó𝒏
𝜺𝒊 = 𝑬𝒓𝒓𝒐𝒓
x =Número de y = Numero de
llamadas de copiadoras
ventas vendidas
20 30 -2 -15 30 4 225
40 60 18 15 270 324 225
20 40 -2 -5 10 4 25
30 60 8 15 120 64 225
10 30 -12 -15 180 144 225
10 40 -12 -5 60 144 25
20 40 -2 -5 10 4 25
20 50 -2 5 -10 4 25
20 30 -2 -15 30 4 225
30 70 8 25 200 64 625
= 220 = 450 = =
900 760 = 1850
10 10
= 22 = 45 𝟗𝟎𝟎
𝜷𝟏 = = 𝟏. 𝟏𝟖𝟒𝟐
𝟕𝟔𝟎
𝜷𝟎 = 𝟒𝟓 𝟏. 𝟏𝟖𝟒𝟐 𝟐𝟐 = 𝟏𝟖. 𝟗𝟒𝟕𝟑

𝒊 = 𝜷 𝟎 + 𝜷𝟏 𝒊 + 𝜺𝒊

𝒊 = 𝟏𝟖. 𝟗𝟒𝟕𝟑 + 𝟏. 𝟏𝟖𝟒𝟐

Estimación de intervalos para los coeficientes de regresión

𝟏 𝒓𝟐 σ𝒏𝒊=𝟏
𝒔=
𝒏 𝟐
 Análisis de regresión

Determine un intervalo de confianza del 95% para los coeficientes de regresión

x =Número de y = Numero de
llamadas de copiadoras
ventas vendidas
20 30 -2 -15 30 4 225
40 60 18 15 270 324 225
20 40 -2 -5 10 4 25
30 60 8 15 120 64 225
𝟏 𝒓𝟐 σ𝒏𝒊=𝟏 10
10
30
40
-12
-12
-15
-5
180
60
144
144
225
25
𝒔= 20 40 -2 -5 10 4 25
𝒏 𝟐 20
20
50
30
-2
-2
5
-15
-10
30
4
4
25
225
30 70 8 25 200 64 625
= 220 = 450 = =
900 760 = 1850
𝟏 𝟐
𝟎. 𝟕𝟓𝟗𝟎 𝟏𝟖𝟓𝟎 10 10

𝒔= = 𝟗. 𝟗𝟎𝟏𝟎 = 22 = 45
𝟏𝟎 𝟐
𝑽𝒂𝒍𝒐𝒓 𝒅𝒆 𝒕 = 𝟏 𝟎. 𝟗𝟓 = 𝟎. 𝟎𝟓
𝟏 𝟐𝟐𝟐 𝑽𝒂𝒍𝒐𝒓 𝒅𝒆 𝒕/𝟐 = 𝟎. 𝟎𝟓/𝟐 = 𝟎. 𝟎𝟐𝟓
𝒔𝜷𝟎 = 𝟗. 𝟗𝟎 + = 𝟑. 𝟏𝟒𝟑𝟕
𝟏𝟎 𝟕𝟔𝟎𝟐
𝑮𝒓𝒂𝒅𝒐𝒔 𝒅𝒆 𝒍𝒊𝒃𝒆𝒓𝒕𝒂𝒅 = 𝟏𝟎 𝟐=𝟖
𝟗. 𝟗𝟎𝟏𝟎 𝑽𝒂𝒍𝒐𝒓 𝒅𝒆 𝒕 = 𝟐. 𝟑𝟎𝟔
𝒔𝜷𝟏 = = 𝟎. 𝟑𝟓𝟗𝟏.
𝟕𝟔𝟎

𝟏𝟖. 𝟗𝟒𝟕𝟑 ± 𝟐. 𝟎𝟑𝟔 𝟑. 𝟏𝟒𝟑𝟕 𝟏. 𝟏𝟖𝟒𝟐 ± 𝟐. 𝟎𝟑𝟔 𝟎. 𝟑𝟓𝟗𝟏

𝟏𝟐. 𝟓𝟒𝟔𝟕 𝟐𝟓. 𝟑𝟒𝟕𝟖 𝟎. 𝟒𝟓𝟑𝟎 𝟏. 𝟗𝟏𝟓𝟑

𝒊 = 𝟏𝟐. 𝟓𝟒𝟔𝟕 𝟐𝟓. 𝟑𝟒𝟕𝟖 + 𝟎. 𝟒𝟓𝟑𝟎 𝟏. 𝟗𝟏𝟓𝟑