Es estudiar la asociacin entre dos variables conocida tambin como asociacin simple, solo en forma descriptiva.

En cada unidad estadstica se observan dos caractersticas cuantitativas medibles X e Y .

REGRESIN LINEAL SIMPLE Dada una muestra de n datos (x1, y1), (x2, y2),, (xn, yn) observados de la variable vi dimensional (X, Y). La regresin lineal simple de la variable dependiente y con respecto a la variable independiente X, consiste en obtener la ecuacin de la recta: o modelo de regresin: = +

Que mejor se ajusten al valor de la muestra, con el fin de poder predecir o pronosticar los valores de Y dado X (vea figura 1)
GRAFICA DEL AJUSTE DE VALORES EN LA RECTA. Dnde: a: es el valor de la ordenada donde la lnea de la regresin se intersecta con el eje. Y: en otras palabras, el origen de la recta. b: es el coeficiente de regresin de los datos (pendiente de la lnea)

METODOS DE MINIMOS CUADRADOS ESTIMADOS Y CARACTERSTICAS DE LOS COEFICIENTES DE REGRESIN ESTIMADOS

La formula de la pendiente es:

=
=1 2 (

La formula de la Constante es: = Donde: b es la pendiente.

)2

Para Interpretacion: Si b>0, entonces, la tendencia lineal es creciente. Si b<0, entonces, la tendencia lineal es decreciente. Si b=0, entonces.Indica que no hay regresion.

COEFICIENTES DE DETERMINACIN

Definicion:
Es la proporcin de cambio en Y

NOTA:
se cumple que 0 2 1, Entones,1 1. Si r > Si r<0, se dice que existe una

explicada por un cambio en la variableX Su valor siempre estar entre 0 y 1. Se expresas en porcentaje. El coeficiente de determinacin denotado por r2 o por R2. se define como el cociente de la suma de cuadrados de regresin sobre la suma de cuadrados totales.

correlacin inversa negativa. Si r=0, se dice que no hay correlacin entre X e Y por lo tanto. r2=1, se dice que hay una correlacin perfecta entre X e Y. Si r=1, se dice que hay una correlacin perfecta positiva. Si r =-1, se dice que hay una correlacin negativa. r2=0, Se dice que no hay correlacin ni regresin

COEFICIENTE DE CORRELACION LINIAL SIMPLE

Definicion:
ndice de correlacin lineal de

Donde:
SX es la desviacin estndar de X. SY es la desviacin estndar de Y.

Pearson de los n pares de valores (x1, y1), (x2, y2),, (xn, yn) de una variable bidimensional (X, Y) es el numero abstracto o relativo r que se calcula por:

=
=

Interpretacin del ndice de correlacin:

Si r=1, se dice que hay una correlacin lineal

perfecta positiva Si r=-1, se dice que hay una correlacin lineal perfecta negativa. Si r=0, se dice que no hay correlacin entre las dos variables.

EJEMPLO1.
Un trabajo estadstico asignado a un grupo de estudio consiste en obtener un modelo de regresin lineal a nivel descriptivo para predecir las ventas semanales de un producto especfico en funcin de la publicidad del producto por la radio. Para esto, han recopilado al azar los tiempos de duracin en minutos de la publicidad de 10 semanas y el respectivo numero unidades vendidas del producto, los datos se dan en la tabla siguiente:
semana 1 2 3 4 5 6 7 8 9 10

publicidad X 20
VENTAS Y 50

30
73

30

40 50

60

60 60

70

80

69 87 108 128 135 132 148 140

Preguntas:
a. Grafique los datos y escriba su tendencia.
b. Obtenga la recta de regresin lineal simple de

mnimos cuadrados. c. Calcule el coeficiente de correlacin entre X e Y. d. Aplique la regresin para predecir la venta de una semana donde se haran 100 minutos de propaganda. es confiable su prediccin? e. Segn la regresin obtenida si la publicidad de una semana cualquiera se incrementara en 5 minutos, Cunto seria el incremento promedio de las ventas?

SOLUCION:
Solucion a:
Hay una relacin lineal

positiva entre el nmero de artculos vendidos y el tiempo de la publicidad por radio semanal mente.

Solucion b:
= 10,

= 500 , = 1070, = 59400 2 = 28400, 2 = 125360

500 10

= 50

1070 10

= 107

Continua solucion b:
=
= = 2 ( )2 1059400500700 59000 = 1028400(500)2 34000

= 1.7353

Otra manera de calcular b es:

590 = = = 1.7353 2 340

= 50 107 = 590 10 28400 2 = 502 = 340 10
2 59400

Dnde:

=
2 =

Por otro lado, a= = . = .

Por lo tanto la rEcta de Regresion es :

Por lo tanto. La recta de regresin de la muestra es:

Y=20.235+1.7353 Solucion a la c: El coeficiente de correlacin 590 = 2 = 18.439 32.9697 = 0.9705 El valor de r cercano a 1, indica una correlacin alta positiva entre X e Y. Este valor es el primer criterio para analizar la valides de la prediccin.

Solucion la d:
Si = 100, = 20.235 + 1.7353 100 = 193.765, el

valor de r es un primer criterio para concluir que este pronstico es confiable, pero la bondad de ajuste de la recta a los datos se mide con r2.