Ajuste de una curva

Regresin lineal
Si utilizamos un sistema de coordenadas cartesianas para representar la distribucin
bidimensional, obtendremos un conjunto de puntos conocido con el diagrama de
dispersin, cuyo anlisis permite estudiar cualitativamente, la relacin entre ambas
variables tal como se ve en la figura. El siguiente paso, es la determinacin de la
dependencia funcional entre las dos variables x e y que mejor ajusta a la distribucin
bidimensional. Se denomina regresin lineal cuando la funcin es lineal, es decir,
requiere la determinacin de dos parmetros: la pendiente y la ordenada en el origen de
la recta de regresin, y=ax+b.
La regresin nos permite adems, determinar el grado de dependencia de las series de
valores X e Y, prediciendo el valor y estimado que se obtendra para un valor x que no
est en la distribucin.

Vamos a determinar la ecuacin de la recta que mejor ajusta a los datos representados
en la figura. Se denomina error a la diferencia yi-y, entre el valor observado yi, y el
valor ajustado y= axi+b, tal como se ve en la figura inferior. El criterio de ajuste se toma
como aqul en el que la desviacin cuadrtica media sea mnima, es decir, debe de ser
mnima la suma

Los extremos de una funcin: mximo o mnimo se obtiene cuando las derivadas de s
respecto de a y de b sean nulas. Lo que da lugar a un sistema de dos ecuaciones con dos
incgnitas del que se despeja a y b.

El coeficiente de correlacin es otra tcnica de estudiar la distribucin bidimensional,

que nos indica la intensidad o grado de dependencia entre las variables X e Y. El
coeficiente de correlacin r es un nmero que se obtiene mediante la frmula.

El numerador es el producto de las desviaciones de los valores X e Y respecto de sus

valores medios. En el denominador tenemos las desviaciones cuadrticas medias de X y
de Y.
El coeficiente de correlacin puede valer cualquier nmero comprendido entre -1 y +1.
Cuando r=1, la correlacin lineal es perfecta, directa.
Cuando r=-1, la correlacin lineal es perfecta, inversa
Cuando r=0, no existe correlacin alguna, independencia total de los valores X e Y
Ejemplo
Obtenga la ecuacin de demanda que se ajusta mejor a los siguientes datos, y sela para
pronosticar ventas anuales de casas preciadas a $140,000.
Precio (Miles de dlares)

160 180 200 220 240 260 280

Ventas de nueva casas este ao 126 103 82

75

82

40

20

Solucin Aqu esta una tabla como la que usamos ms arriba para organizar las
calculaciones:
xx
160
180
200
220
240

yy
126
103
82
75
82

xyxy
20,160
18,540
16,400
16,500
19,680

x2x2
25,600
32,400
40,000
48,400
57,600

260
280
x=1540

40
20
y=528

10,400
5,600
xy=107 280

67,600
78,400
x2=350 000

Sustituyendo estos valores en la formula (con n=7), obtenemos

Observe que usamos el valor ms exacto que pudimos obtener en la calculadora, m 0

7928571429, en lugar del valor redondeado (0 7929) en la calculacin de b. Eso ilustra
la siguiente regla general:
Al calcular, no redondee los resultados intermedios; en vez de eso, utilice los resultados
ms exactos que puede obtener, usando los valores guardados en su computadora o
calculadora si es posible.
Por lo tanto, la recta de regresin es
y=0 7929x+249 9

EJEMPLO 2.
Ajustar los siguientes datos a una lnea recta.

X
1
2
2
3
4
4
5
6
27

Y
2
3
4
4
4
6
5
7
35

Y
1.5
2.358
6.603

2
1
2
2
9
16
16
25
36
111

8(135) (27 35)

= 0.849
8(111) (27)

=
X
0
1
6

XY
2
6
8
12
16
24
25
42
135

35 45 27

( ) = 1.509
8 53 8

8
7
6
5
4
3
2
1
0
0

Regresion Lineal
7
6
5
4
3
2
1
0
0