Sal Chicaiza 7020

Mario Herrera 7067

Erick Salguero 7058
 Uno de los aspectos ms relevantes de la Estadstica es el anlisis de la relacin o
dependencia entre variables. Frecuentemente resulta de inters conocer el efecto
que una o varias variables pueden causar sobre otra, e incluso predecir en mayor
o menor grado valores en una variable a partir de otra. Por ejemplo, supongamos
que la altura de los padres influyen significativamente en la de los hijos. Podramos
estar interesados en estimar la altura media de los hijos cuyos padres presentan
una determinada estatura
 Los mtodos de regresin estudian la construccin de modelos para explicar o
representar la dependencia entre una variable respuesta o dependiente (Y ) y la(s)
variable(s) explicativa(s) o dependiente(s), X . En este Tema abordaremos el
modelo de regresin lineal, que tiene lugar cuando la dependencia es de tipo
lineal, y daremos respuesta a dos cuestiones bsicas:
Es significativo el efecto que una variable X causa sobre otra Y ?
Es significativa la dependencia lineal entre esas dos variables?.
De ser as, utilizaremos el modelo de regresin lineal simple para explicar y
predecir la variable dependiente (Y ) a partir de valores observados en la
independiente (X).
 El inventor de un nuevo material aislante quiere determinar la magnitud de la
compresin (Y ) que se producir en una pieza de 2 pulgadas de espesor cuando
se somete a diferentes cantidades de presin (X). Para ello prueba 5 piezas de
material bajo diferentes presiones. Los pares de valores observados (x, y) se
muestran en la siguiente tabla:
 En principio no sabemos si las variables en cuestin estn relacionadas o no, o si
en caso de haber dependencia es significativa o no. De haber entre ellas una
dependencia lineal significativa, podramos expresar la Compresin (Y ) a partir
de la Presin (X) mediante una recta, y a partir de ella predecir la compresin que
se dara para un determinado nivel de presin
 Una forma de determinar si puede existir o no dependencia entre variables, y en
caso de haberla deducir de qu tipo puede ser, es grficamente representando los
pares de valores observados. A dicho grfico se le llama nube de puntos o
diagrama de dispersin.
Ejemplos de casos que podran darse:
 En a) hay ausencia de relacin (independencia).
En b) existe asociacin lineal positiva (varan en general en el mismo sentido).
En c) existe asociacin lineal negativa (varan en sentido contrario).
En d) existe fuerte asociacin, pero no lineal.
 La estructura del modelo de regresin lineal es la siguiente:

En esta expresin estamos admitiendo que todos los factores o causas que influyen
en la variable respuesta Y pueden dividirse en dos grupos: el primero contiene a
una variable explicativa X y el segundo incluye un conjunto amplio de factores no
controlados que englobaremos bajo el nombre de perturbacin o error aleatorio,
, que provoca que la dependencia entre las variables dependiente e
independiente no sea perfecta, sino que est sujeta a incertidumbre.
 Por ejemplo, en el consumo de gasolina de un vehculo (Y ) influyen la velocidad
(X) y una serie de factores como el efecto conductor, el tipo de carretera, las
condiciones ambientales, etc, que quedaran englobados en el error.
El parmetro 0 es la ordenada al origen del modelo (punto de corte con el eje Y)
y 1 la pendiente, que puede interpretarse como el incremento de la variable
dependiente por cada incremento en una unidad de la variable independiente.
Estos parmetros son desconocidos y habr que estimarlos de cara a realizar
predicciones.
 Pasos para utilizar el mtodo de regresin lineal
Una recta de regresin es la que mejor se ajusta a la nube de puntos.
La recta de regresin pasa por el punto llamado centro de gravedad.
Recta de regresin de Y sobre X
La recta de regresin de Y sobre X se utiliza para estimar los valores de la Y a
partir de los de la X.
La pendiente de la recta es el cociente entre la covarianza y la varianza de la
variable X.
 Recta de regresin de X sobre Y
La recta de regresin de X sobre Y se utiliza para estimar los valores de la X a
partir de los de la Y.
La pendiente de la recta es el cociente entre la covarianza y la varianza de la
variable Y.

Si la correlacin es nula, r = 0, las rectas de regresin son perpendiculares entre s,

y sus ecuaciones son:
 Las notas de 12 alumnos de una clase en Matemticas y Fsica son las siguientes:
 Hallar las rectas de regresin y representarlas.
 Hallamos las medias arimticas.

Calculamos la covarianza.

Calculamos las varianzas.

 Recta de regresin de Y sobre X.

Recta de regresin de X sobre Y.

 El mtodo de los mnimos cuadrados consiste en determinar los valores de los
coeficientes B0 y B1 de manera que hagan la mnima suma de los cuadrados de los
residuos (Sr).

Para denotar de mejor manera lo haremos mediante un ejercicio:

 La produccin de vehculos de una empresa es:

Ao Vehculo

2000 1090
2002 1120
2004 1250
2006 1490
2008 1650
Ao (x) Vehculos( 2 st
y)

2000 0 1090 0 0 1090 1320 2 = 52900

2002 2 1120 4 2240 1120 1320 2 = 40000
2004 4 1250 16 5000 1250 1320 2 = 4900
2006 6 1490 36 8940 1490 1320 2
= 28900
2008 8 1650 64 1320 1650 1320 2 = 108900
 En la empresa FEDERTEK se fabrican anillos de traccin los cuales hay que
calibrar midiendo la desviacin a varias cargas. Para comprobar la calidad de
dichos anillos En la siguiente tabla, que da los resultados de 12 mediciones, las x
son las fuerzas de carga en miles de libras y los valores y son las desviaciones
correspondientes en milsimas de pulgada.
 Solucin
Graficamos las coordenadas de cada punto
x y xy x^2
1 16 16 1
2 35 70 4
3 45 135 9
4 64 256 16
5 86 430 25
6 96 576 36
7 106 742 49
8 124 992 64
9 134 1206 81
10 156 1560 100
11 164 1804 121
12 182 2184 144
78 1208 9971 650
 . .
1 =
. 2 2
12.(9971)(78).(1208)
1 =
12.(650) 78 2

1 = 14.818

120814.818(78)
0 =
12
0 = 4.348

= 0 + 1X
= 4.348 + 14.818x
 El anlisis de regresin y correlacin lineal constituyen mtodos que se emplean para conocer las relaciones y
significacin entre series de datos. Lo anterior, es de suma importancia para la industria ya que es aqu en donde se
presentan variables de respuesta e independientes las cuales interactan para originar las caractersticas de un
proceso en particular y por ende; analizar, predecir valores de la variable dependiente y examinar el grado de fuerza
con que se relacionan dichas variables.
La regresin lineal simple y la regresin mltiple, analiza la relacin de dos o ms variables continuas, cuando analiza
dos variables a esta se le conoce como variable bivariantes que pueden corresponder a variables cualitativas. La
finalidad de una ecuacin de regresin es la de estimar los valores de una variable con base en los valores conocidos
de la otra. Del mismo modo, una ecuacin de regresin explica los valores de una variable en trminos de otra. Es
decir, se puede intuir una relacin de causa y efecto entre dos o ms variables. El anlisis de regresin nicamente
indica qu relacin matemtica podra haber, de existir una.
Por otro lado, Al ajustar un modelo de regresin simple o mltiple a una nube de observaciones es importante
disponer de alguna medida que permita medir la bondad del ajuste. Esto se consigue con los coeficientes de
correlacin. Si el modelo que se ajusta es un modelo de regresin lineal, a R se le denomina coeficiente de correlacin
y representa el porcentaje de variabilidad de la Y que explica el modelo de regresin.
Estas tcnicas estadsticas constituyen una herramienta til para el anlisis de las variables de un proceso ya que a
travs de la aplicacin de stas, es posible conocer el modelo que siguen y la fuerza con que se encuentran
relacionadas. Asimismo, es posible explicar la relacin que guardan dos o ms causas de un posible defecto.