SESIÓN 26

Estadística Inferencial
 SUMARIO

Regresión Lineal simple

 LOGRO

Al finalizar la clase los alumnos aplican los conceptos de regresión lineal simple ,
en diferentes contextos de la vida real
 REGRESIÓN LINEAL
Frecuentemente resulta de interés conocer el efecto que una o varias variables pueden causar
sobre otra, es decir nos encontramos en la vida real y científica con modelos en los que el
comportamiento de una variable, Y, se puede explicar a través de una variable X;

La regresión lineal es un modelo estadístico usado para aproximar la relación de una variable
dependiente llamada Y, y una o mas variables independientes llamadas Xi y un
término aleatorio muchas veces llamado error ε

Representación 𝑌 = 𝑓(𝑥) +ε

Por lo tanto, el análisis de regresión involucra el estudio la relación entre variables

 REGRESIÓN LINEAL SIMPLE
Regresión Lineal simple: Ejemplo Demostrativo
Se prueban cinco trozos experimentales del material bajo diferentes presiones. Los valores de x ( en
Newton ) y las magnitudes de compresión y resultantes (en unidades de cm)

Presión Compresión 4 y
(N) (Cm)
X Y 3 Gráfica de
dispersión
1 1
2
2 1
3 2 1
4 2
5 4 0 1 2 3 4 X

Y tiende a aumentar de forma lineal conforme X aumenta

 REGRESIÓN LINEAL SIMPLE
Regresión Lineal simple:
La solución es construir un modelo probabilístico que relacione y con x; uno que contemple la
variación aleatoria de los puntos de datos a los lados de una línea recta.
Un tipo de modelo probabilístico, el modelo de regresión lineal simple, supone que el valor
medio de Y para un valor dado de X se grafica como una línea recta y que los puntos se
desvían de esta línea de medias en una cantidad aleatoria (positiva o negativa) igual a , es
decir:

y  0  1 x  
Condición:

E() = 0

Valor medio de y Error

para una x dada aleatorio

Donde 0 y 1 son los coeficientes desconocidos del modelo.

 REGRESIÓN LINEAL SIMPLE
Regresión Lineal simple: Interpretación de coeficientes Si b >0 , esto nos indica que al aumentar el valor
de X, también aumenta el valor de Y (promedio).
𝑦ො = 𝛽መ0 + 𝛽መ1 𝑋 Si b <0 , esto nos indica que al aumentar el valor
de X, el valor de Y disminuye (promedio).

El coeficiente de regresión: es el cambio (aumento o disminución) en promedio en Y cuando X varía en una unidad.

Supuestos Regresión Lineal:

 Supuesto de Linealidad
Existe linealidad si se presenta una relación significativa entre la variable que se quiere predecir y las otras variables.
Puede usarse el coeficiente "R cuadrado ajustado", para saber si existe linealidad (mayor o igual a 0.7 suele ser "indicio"
de linealidad). El ANOVA es una prueba para saber la linealidad
 Los residuos tienen media 0.
 La varianza de los residuos no depende de xi (homocedasticidad)
 Los residuos son normales.
 Los residuos son aleatorios.

https://www.youtube.com/watch?v=QWLK9thmDI8 https://www.youtube.com/watch?v=r8lM3Zl0P54
 REGRESIÓN LINEAL SIMPLE
Regresión Lineal simple:
Modelo de regresión lineal simple estimado
y
4
Y  ˆ0  ˆ1 x 𝑦ො = 𝛽መ0 + 𝛽መ1 𝑋
3 y = variable dependiente
Donde: X = variable independiente
2
ˆ1  pendiente
Cálculo de coeficientes práctico
1
𝒏σ𝑿𝒀 − σ𝑿σ𝒀
0 Paso1: ෡𝟏 =
𝜷
1 2 3 4 X 𝒏 σ 𝑿2 − σ 𝑿 2
ˆ0  ordenada al origen
σ 𝒀 − ෡𝟏 σ 𝑿
𝜷
Paso2: 𝜷
෡𝟎 =
𝒏
Para estimar la recta de regresión utilizaremos el método de mínimos cuadrados.
Este método consiste en minimizarla suma de los cuadrados de los errores:
 REGRESIÓN LINEAL SIMPLE
Ejercicio:
La Propina que se le otorga a un mozo en un restaurante depende de muchos factores, por ejemplo la
cordialidad del personal, Tipo de ambiente, Satisfacción por el servicio, etc.
En el siguiente cuadro se tiene la cantidad de propina (s/.) que los clientes de un restaurant dan a los
mozos en función al tiempo en que se demora en servir una orden(minutos).

Propina(S/) 1 3 3 2 6 1 2 3 4
Tiempo de Atención
(minutos)
3 2 2 4 1 4 3 2 2

a) Identifique las variables de Interés y clasifique cada uno de ellos ¿Cómo se relacionan ambas variables?
b) Estime el modelo de Regresión lineal estimada
c) Pronosticar: ¿Cuánto en Promedio recibirá de propina un mozo que se ha demorado en atender 3.5 minutos?
 REGRESIÓN LINEAL SIMPLE
Solución a.
Las variables de Interés
 Variable Independiente: Tiempo de Atención( minutos )(X)
 Variable dependiente: Propina (s/) (Y)

7
6
La propina que se otorga a un
5
mozo depende del tiempo de
Gráfica de 4 atención en servir el orden.
Propina

dispersión
3
Relación inversa
2
1
0
0 1 2 3 4 5
Tiempo
 REGRESIÓN LINEAL SIMPLE
Solución b. Modelo de Regresión Estimada 𝑦ො = 𝛽መ0 + 𝛽መ1 𝑥
⌢
Pr𝑜𝑝 𝑖𝑛𝑎 = 𝛽መ0 + 𝛽መ1 𝑇𝑖𝑒𝑚𝑝𝑜
Y (propina) X (tiempo) 𝑋2 𝑌2 𝑋𝑌
1 3 9 1 3
Paso1
3 2 4 9 6
3 2 4 9 6 𝒏σ𝑿𝒀 − σ𝑿σ𝒀
2 4 16 4 8 ෡𝟏 =
𝜷
𝒏 σ 𝑿2 − σ 𝑿 2
6 1 1 36 6
1 4 16 1 4
9 ∗ 53 − 23 ∗ 25
2 3 9 4 6 ෡𝟏 =
𝜷 = −1.32
9 ∗ 67 − 23 2
3 2 4 9 6
4 2 4 16 8
σ 𝑌 = 25 σ 𝑋 =23 σ 𝑋 2 =67 σ 𝑌 2 =89 σ 𝑋𝑌 =53
 REGRESIÓN LINEAL SIMPLE
σ 𝑌 = 25 σ 𝑋 =23 σ 𝑋 2 =67 σ 𝑌 2 =89 σ 𝑋𝑌 =53

Paso2: ෡ 𝟏 σ 𝑿 𝟐𝟓 − −𝟏, 𝟑𝟐 ∗ 𝟐𝟑
σ𝒀 − 𝜷
෡𝟎 =
𝜷 = ෡ 𝟎 = 𝟔. 𝟏𝟓
𝜷
𝒏 𝟗
Modelo de Regresión Estimada
⌢
Pr𝑜𝑝 𝑖𝑛𝑎 = 6.15 − 1.32𝑇𝑖𝑒𝑚𝑝𝑜

Solución C: Pronóstico de la propina cuando el tiempo de atención es 3.5 minutos

⌢
Pr𝑜𝑝 𝑖𝑛𝑎 = 6.15 − 1.32𝑇𝑖𝑒𝑚𝑝𝑜
¿Cómo se interpreta 𝜷𝟏 ?
⌢
Pr𝑜𝑝 𝑖𝑛𝑎 = 6.15 − 1.32 3.5 Cuando el tiempo de atención se
⌢
Pr𝑜𝑝 𝑖𝑛𝑎 = 1.53 soles incrementa en un minuto la
propina disminuye en 1.32 soles
 REGRESIÓN LINEAL SIMPLE
⌢
Pr𝑜𝑝 𝑖𝑛𝑎 = 6.16 − 1.324𝑇𝑖𝑒𝑚𝑝𝑜
7
Resumen
Y (propina) X (tiempo)
Gráfica de
6 R² = 0.7374
1 3 dispersión 5
3 2 y = 6.16 - 1.3243x
4

Propina
3 2
2 4 3
6 1
2
1 4
2 3 1

3 2 0
4 2 0 1 2 3 4 5
Tiempo
 REGRESIÓN LINEAL SIMPLE
Resumen
Y (propina) X (tiempo) Comprueba tus resultados usando la calculadora!
1 3
3 2 https://www.youtube.com/watch?v=0qkh8NJroos
3 2
https://www.youtube.com/watch?v=4_WO31Dapv0
2 4
6 1
1 4 Recuerda interpretar el
2 3 coeficiente de regresión,
3 2
4 2
 EJERCICIO ADICIONAL
La compresión de un resorte depende de la fuerza con que se aplique
a aquel según los valores del siguiente cuadro.
Fuerza (Newton) 1 0 2 3 4 2 3 4
Compresión (cm) 2 1 2 2 3 2 1 1

a) Identifique las variables de Interés y clasifique cada uno de ellos ¿Cómo se

relacionan ambas variables?

b) Estime el modelo de Regresión lineal simple estimado

c) Pronosticar: ¿Cuánto en Promedio se comprimirá un resorte al cual se le aplicó una

fuerza de 3.5 Newton?
 CIERRE
¿QUÉ HEMOS APRENDIDO?

1. ¿Cuándo se usa la regresión lineal y

que supuestos debe cumplir?
2. ¿Cómo se interpreta el coeficiente de
una regresión lineal?