Análisis de Regresión Lineal

Es un análisis bidimensional en el que hay que hacer un

ajuste, la cuestión es elegir la mejor función lineal que se
acople a la nube de puntos (datos).
Cuando se estudian dos características simultáneamente
sobre una muestra, se puede considerar que una de ellas
influye sobre la otra de alguna manera. El objetivo principal
de la regresión es descubrir el modo en que se relacionan
las dos variables.
 Diagrama de dispersión
(Plotear los pares de características en un plano x – y)
Forma de la relación
Dirección de la relación
Fuerza de relación
 Ejemplo (Determinar si los datos tienen una
relación lineal, indicando la dirección y la fuerza).

x y
2 3

4 4

5 6

7 6

9 7

10 9

11 10

15 11
 Criterios para juzgar el coeficiente de
correlación
i. 1  r  1
ii. Si r es positiva la correlación es positiva
iii. Si r es negativa la correlación es negativa
iv. Si r =0, no existe relación lineal entre las variables
v. Si r  1 , se da la máxima correlación entre las variables
vi. La correlación se juzga de débil o fuerte según se acerque a 0 o
1
 El coeficiente de correlación de Pearson
N  ( XY )   X Y
r
N  X 2

 ( X ) 2 N Y 2  (Y ) 2 
 1  rxy   1
rxy = 0
9 12
25
8 rxy = 0.88 10
20 7
6 8
15 5 6
4
10
rxy = 1
4
3
5 2 2
1
0 0
0 0 2 4 6 8 10 12
0 2 4 6 8 10 12 0 2 4 6 8 10

0
0 2 4 6 8 10 12
-5

-10 rxy = -1
rxy = -0.88
rxy = 0
-15

-20
 Ejemplo (Determinar el coeficiente de
correlación).

x y
2 3

4 4

5 6

7 6

9 7

10 9

11 10

15 11
Resolución (diagrama)
 X Y
1 10 15
2 12 17
3 8 13
4 17 23
5 10 16
6 15 21
7 10 14
8 14 20
9 19 24
10 10 17
11 11 16
12 13 18
13 16 23
14 10 15
15 12 16
 X Y XY
1 10 15 150 100 225
2 12 17 204 144 289
3 8 13 104 64 169
4 17 23 391 289 529
5 10 16 160 100 256
6 15 21 315 225 441
7 10 14 140 100 196
8 14 20 280 196 400
9 19 24 456 361 576
10 10 17 170 100 289
11 11 16 176 121 256
12 13 18 234 169 324
13 16 23 368 256 529
14 10 15 150 100 225
15 12 16 192 144 256
∑ 187 268 3490 2469 4960