Conceptos fundamentales de regresin lineal simple y correlacin, su

desarrollo y aplicacin dentro del mbito empresarial.

En la actualidad la toma de decisiones es muy importante, en la vida del ser humano
impacta demasiado de tal forma que con ella se llega a el xito o al fracaso, pero no solo
la toma de decisin se aplica en la vida dara de una persona, sino tambin en el entorno
empresarial el da a da de las organizaciones, indistintamente si son publicas o
privadas se centran en la toma de decisin. La toma de decisiones no son irrevertibles,
son definitivamente replicables, involucran riesgos, sus efectos se ven en largos plazos y
tienen un impacto determinante en la supervivencia de una empresa.es por ellos que hoy
en da existen diferentes tipos de mtodos para pronosticar ventas, futuro crecimiento
econmico de una empresa, entre otros. Por lo tanto con base a los resultados, se puede
llegar a una tomar una buena decisin.
Una forma de pronosticar los resultados de la decisin que se tomara en una
organizacin, es aplicar el anlisis de regresin lineal que permite desarrollar modelo
para predecir los valores de una variable numrica con base a valores de una ms
variable diferente, en este escenario las estadista puede predecir cuantos productos se
podrn realizar en un determinado tiempo, teniendo como base todos los empleados de
produccin.
Para poder hacer el anlisis de regresin lineal es esencial identificar, la variable
dependiente se le llama tambin variable de respuestas (todos los empleados de
produccin) y la variable independiente a veces llamada variable explicadora (cuantos
productos se podrn producir en un determinado tiempo). Entonces se puede decir que
se estudiara con el modelo regresin lineal simple ya que es una sola variable
dependiente y una sola variable dependiente.
Al estudiar las predicciones futuras a travs de dos variables, sucesivamente se
analiza que fuerza tiene la relacin lineal de dos variables, la fortaleza de la relacin se
determina por la magnitud del efecto que cualquier cambio en una variable ejerce sobre
la otra. Es por ellos que se pretende analizar los conceptos fundamentales de regresin
lineal simple y correlacin, su desarrollo y aplicacin dentro del mbito empresarial, de tal
forma que al aplicarlo la solucin sea positiva, al querer predecir una alternativa para
Instituto Tecnolgico Superior de Centla
solucionar una problemtica en la poltica, reas de produccin, en la administracin de
una organizacin o simplemente aplicarlos en la vida diaria del ser humano.
Es de mucha importancia saber que la regresin lineal y correlacin trabajan juntas para
saber si son confiables los resultados obtenidos de tal manera se pueden predecir lo
que pasara en un futuro, por otra parte en la regresin lineal se aplica una ecuacin de
dos variables, para obtener un valor estadstico y la correlacin seala si hay suficiente
fortaleza en la relacin.

CONCEPTO DE REGRESIN LINEAL SIMPLE
Segn (Weimer, 1996) la relacin lineal se refiere a la prediccin del valor de una
variable a partir de una o mas variables. En ocasiones se denominan a la variable
dependiente variable de respuesta y a la variable independiente variable de prediccin.
La prediccin de una variable (Y) a partir de otra variable (X), la regresin lineal aplica el
siguiente modelo matemtico.

La letra griega psilon minscula, que expresa el error aleatorio obtenido al medir en un
valor fijado de x. si todos los puntos del diagrama de dispersin de la poblacin cayeran
en una recta no habra necesidad de incluir el termino de error en el modelo, ni de
involucrar la probabilidad en nuestro estudio de relacin entre x y y. entonces podra
determinarse exactamente el modelo lineal resultante y =

se llamara modelo de
determinsticos del modelo de regresin lineal.
Para (Chao, 1985), el objetivo principal al evaluar la relacin entre dos variables es
realizar predicciones ms precisas. Si se ha establecido una relacin entre dos valores de
dos variables, entonces conocer el valor de una variable ayudara a predecir el valor de
desempeo de otra, la tcnica de regresin se refiere al procedimiento de obtener una
ecuacin con fines de estimacin o prediccin. La variable a estimar o predecir se
denomina variable de pendiente; y la otra variable, aquella que proporciona la base para
la estimacin, se denomina variable independiente. En la regresin simple existe
solamente una variable independiente y una variable dependiente.
Instituto Tecnolgico Superior de Centla
La regresin lineal se refiere a una relacin que puede presentarse grficamente
mediante una lnea resta.
(Devore, 2010)Menciona que la relacin matemtica se determina mas simple entre dos
variables x y yes una relacin lineal

. El conjunto de pares (x, y) para los

cuales

Determina una lnea recta con pendiente

e interseccin en
y

,el objetivo es desarrollar un modelo probabilstico lineal.

Si nos variables no estn determinadamente relacionadas, entonces con un valor fijo de
x, el valor de la segunda variable es aleatoria.
Mas general, la variable cuyo valor fija el experimentador ser denotado como x y se le
llamara variable independe pendiente, pronosticadora o variable explicativa. Con x fija, la
segunda variable ser aleatoria; esta variable aleatoria y su valor observado se designa
Yyy, respectivamente y se le conoce como variable dependiente o de respuestas.

CORRELACIN LINEAL
(Johnson, 2009) El anlisis de correlacin se dirige sobre todo a medir la fuerza de una
relacin entre variables. El coeficiente de correlacin lineal, r, es la medida de la fuerza
de la relacin lineal entre dos variables, la fortaleza de la relacin se determina mediante
la magnitud del efecto que cualquier cambio en una variable ejerce sobre otra. Utilicemos
x y ycomo nuestras variables. Si al crecer x no se observan modificaciones definidas en
los valores de y, decimos que no se encuentra correlacin, si cuando aumenta x
observamos cambio definidos en los valores y, diremos que la correlacin es positiva (o
negativa) cuando y aumenta (o decrece). La fuerza de la relacin se determina a partir
del grado de precisin con que sedesplazan los valores de y cuando x cambia
La situacin perfecta aparase donde todos los puntos quedan exactamente situados
sobre una recta.
Tal correlacin podra ser positiva o negativa, de acuerdo con la composicin con la recta
(creciente o decreciente). Si los datos quedan en una recta horizontal o vertical,
hablamos de una correlacin cero, pues los cambios en una variable no tienen efecto
sobre la otra. Los diagramas de dispersin no aparecen siempre en una de las cinco
Instituto Tecnolgico Superior de Centla
formas .A veces sugieren relaciones que no son lineales como se ve en el ejemplo
ilustrado.
Ah aparece observarse una pauta definitiva; sin embrago, la relacin entre las variables
no es lineal, y en esta situacin no se correlacionan.
El coeficiente de correlacin lineal, r, tendr siempre un valor entre -1 y +1. El + 1 es la
medida de correlacin positiva perfecta (-1 de correlacin negativa perfecta). r tomara la
tomara el valor cero cuando no haya correlacin lineal. Se considera que la correlacin
es alta cuando se aproxima a+1 o -1, y baja cuando su valor se acerca a cero, el valor de
coeficiente de correlacin lineal para una muestra se calcula por medio de la frmula

Esta formula equivalente a lo que se conoce a veces como momento de producto de
Pearson.
(Spiegel & Stephens, 2009) Cuando solo se intervienen dos variables se habla de
correlacin simple y regresin simple.
Sin X y Y son las dos variables en consideracin, un diagrama de dispersin sirve para
demostrar la localizacin de los puntos (X, Y) en un sistema de coordenadas
rectangulares. Si este diagrama de dispersin todos los puntos parecen encontrase en
una misma recta, a la correlacin se le llama lineal. En este caso una ecuacin lineal es
lo apropiado con el propsito de regresin.
Si Y tiende aumentar a medida que X aumenta, se dice que la correlacin es una
correlacin positiva o directa. Si Y tiende a disminuir a medida que X aumenta se dice
que es una correlacin negativa o inversa.
Si todos los puntos parecen encontrase en una curva, esta correspondiente se le llama
no lineal, lo apropiado para la regresin es una ecuacin no lineal. Es claro que la
correlacin no lineal puede ser algunas veces negativas y otras positivas.
Instituto Tecnolgico Superior de Centla
Si no parece ver relacin entre las variables, se dice que no hay relacin entre ellas (es
decir estn descorrelacionadas).

CLCULO DE LOS COEFICIENTES DE CORRELACIN Y DE
DETERMINACIN.

(Walpole, Myers, Myers, & Ye, 2007) El mtodo de ajustar una recta de regresin
estimada a los datos, lo cual equivale a estimar las estimaciones a y b de y de ,
respectivamente. Por supuesto esto permite el calculo de los valores pronosticados a
partir de la recta ajustada y= a + bx, y hacer otros tipos de anlisis y obtener otra
informacin de diagnostico que midan la intensidad de la relacin y lo bien que se ajusta
al modelo. Antes de estudiar los mnimos cuadrados, resulta importante representar el
concepto de residuo. En esencial un residuo es un error de ajuste del modelo de y= a +
bx.
Residuo de error en el ajuste .dado un conjunto de datos de regresin [(x
i,
y
i
); i = 1, 2,.,
n] y un modelo de ajustado y = a + b, i-simo residuo

.
Es evidente que si un conjunto de n residuo es grande, entonces el ajuste del modelo no
es bueno. Los residuos pequeos son una seal del buen ajuste.
La suma de residual de los cuadrados con frecuencia se denomina sumas de los
cuadrados por errores respecto a la recta de regresin y se denota como SEE. Este
procedimiento de minimizacin para estimar los parmetros se llama mtodo de los
mnimos cuadrados. As debe de encontrase de modo que se minimice.

Mencionan (Mendenhall , Beaver, & Beaver, 2010)el procedimiento estadstico para hallar
la recta de mejor ajuste para un conjunto de datos bivariados hace, matemticamente, lo
que en forma visual se realiza cuando se mueve una regla hasta que se hayan reducido
al mnimo las distancias verticales o desviaciones de la regla a un conjunto de puntos .la
formula de la regla de mejor ajuste es
Instituto Tecnolgico Superior de Centla

Donde a y b son las estimaciones de los parmetros y de punto de cruce y pendiente,
respectivamente.
La recta que reduce al mnimo la suma de cuadrados de las desviaciones de los valores
de y desde los pronosticados es la recta de mejor ajuste. La suma de los cuadrados de
las desviaciones por lo general se denomina suma de cuadrados de error (SEE) y se
define como

Para hallar los valores de a y b, llamados estimadores de mnimos cuadrados de y ,
se usara una notacin que esta basada en la suma de los cuadrados para las variables
del problema de regresin, que es semejante a la suma de cuadrados.
Estimadores de mnimo cuadrado de y

Instituto Tecnolgico Superior de Centla



APLICACIN
Aplican (Anderson, Sweeney, & Williams, 2008) un ejemplo de unaaproximacin lineal
para una relacin que no es lineal


Por _ =b
0
b
1
x es buena en el rango de los valores observados de x en la muestra, se
vuelvedeficiente fuera de ese rango.
Dada una relacin significante, la ecuacin de regresin estimada se puede usar con
confianza para predicciones correspondientes a valores de x dentro del rango de los
valores de x observados en la muestra. En el ejemplo de Armands Pizza Parlors, este
rango corresponde a los valores de x entre 2 y 26. A menos que haya otras razones que
indiquen que el modelo es vlido ms all de este rengo, las predicciones fuera del rango
de la variable independiente deben hacerse con cuidado. En el ejemplo de Armands
Pizza Parlors, como se ha encontrado que la relacin de regresin es significante al nivel
de significancia de 0.01, se puede tener confianza para usar esta relacin para predecir
las ventas de restaurantes en los que la poblacin de estudiantes correspondiente est
en el intervalo de 2000 a 26 000.
Instituto Tecnolgico Superior de Centla
Con referencia a lo ante expuesto sobre la regresin, correlacin y ecuaciones para su
realizacin. Se puede decir que la utilizacin de la regresin lineal simple se basa en la
identificacin de relacin que ste entre dos variables y de tal forma poder llegar a una
toma de desiciones correspondiente dependiendo del resultado de la relacin.


Instituto Tecnolgico Superior de Centla

Bibliografa
Anderson, D. R., Sweeney, D. J., & Williams, T. A. (2008). Estadstica para administracion y
economa. Mxico D.F.: Cengage Learning.
Chao, L. L. (1985). Introducion a la estadistica. Mxico D.F.: Continental.
Devore, J. L. (2010). Probabilidad y Estadsticas. Mxico D.F.: Cegage Learning Editores.
Johnson, R. (2009). Estadistica Elemental. Mxico D.F.: Trillas.
Mendenhall , W., Beaver, R. J., & Beaver, B. M. (2010). Introduccin a las Probabilidad y
Estadstica.Mxico D.F.: Cengage Learning.
Spiegel, M. R., & Stephens, L. J. (2009). Estadstica. Mxico D.F.: McGraw-Hill.
Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2007). Probabilidad y Estadstica. Mxico D.F.:
Pearson.
Weimer, R. C. (1996). Estadstica. Mxico D.F.: Continental.