Stat 5210 - Tarea 6.2 - Rosalie Neris Rivera

Regresión y correlación entre variables 1
6.2 Tarea: Regresión lineal simple
Alex G. Nieves López
Departamento de Administración, National University College –División Online
STAT 5210-5002ONL - Estadísticas
Prof. Walter López Moreno
6 de diciembre de 2020
Introducción
Por medio de este escrito estaré presentando información con relación a la regresión
lineal simple. Estaré redactando y citando conforme a la información hallada respecto a la
caracterización, la aplicación, ejemplos y formas de evaluar la regresión múltiple. López (2014),
indica que la regresión múltiple pretende determinar el contraste de cómo dos o más variables
pueden prever el funcionamiento de una dependiente.
Desarrollo
Según indica Rodrigo (2016), la regresión lineal múltiple facilita desarrollar un formato
lineal en donde el valor de las variables dependientes será establecido por variables
independientes denominada como predictores. Es decir, el formato
de regresión múltiple anticipa el valor de la variable dependiente o determina el impacto que
asumen los predictores. La ecuación del formato lineal múltiple es:
y i=( β 0+ β 1 x ,+ β 2 x 2 + …⋅ + β k x k ) +ei
La relevancia de los valores en la ecuación es:
 β 0 – es ordenada al origen, será el valor de la dependiente “y” si todos los predictores son
cero.
 β 1 – efecto promedio al incremento en la unidad de la variable Xi sobre la dependiente
Y, el incremento se mantendrá constante. Esto se conoce como coeficientes parciales de
regresión.
 ei – es el error o residuo, es la diferencia entre el estimado por el modelo y el valor
observado.
Según Montero (2016) menciona que en la fórmula de regresión múltiple la Y es la
variable endógena, las X son exógenas y B son coeficientes estimados. En la regresión múltiple
debe haber una variable endógena pero varias exógenas. Dichas variables sólo pueden adoptar
dos formas:
 Continuas - son números reales y en el mayor de los casos son variables cuantitativas
como por ejemplo la edad o el peso.
 Discretas - son factores cualitativos ya que muestran alguna característica del individuo
como por ejemplo el idioma color o el género.
Dos ejemplos de modelos de regresión múltiple son:
 El presupuesto de un colegio, ya que su variación se puede explicar por la cantidad de
estudiantes. También puede ser utilizado como variable la cantidad de profesores, salones
de clase, laboratorios, etcétera.
 El consumo de gasolina de una motora, ya que su variación puede explicarse mediante la
velocidad media o el tipo de camino. Puede ser utilizado como error la variable clima o el
conductor.
Según Borrego (2014) menciona que las variables “B” serán los parámetros que no se
conocen que serán estimados y “E” será el error aleatorio, “y” será la variable de interés a
predecir también conocida como variable dependiente las variables explicativas predicción o
independientes serán las “x”.
Según López (2014) menciona que es aconsejable utilizar programas de libre acceso para
determinar la regresión, correlación y el coeficiente de determinación múltiple.

Ejemplo #1: Se desea establecer una ecuación que relacione los gastos de promoción y de
producción debido al aumento en batidas de Herbalife. La siguiente tabla muestra los resultados
en un lapso de 8 meses:
Mes Batidas vendidas (Y) Promoción (X1) Producción (X2)

1 70 $320.00 $400.00
2 85 $420.00 $510.00
3 100 $600.00 $820.00
4 86 $400.00 $460.00
5 88 $450.00 $510.00
6 93 $500.00 $550.00
7 75 $390.00 $585.00
8 83 $410.00 $460.00
Luego se determina lo siguiente:
a) La correlación de la variable dependiente con las demás variables independientes.
b) La ecuación de regresión múltiple.
c) El coeficiente de correlación múltiple.
d) El coeficiente de determinación múltiple.
e) El pronóstico de venta al gastar $400 en promoción y $250 en producción.
A continuación se utilizó análisis de datos en el programa de Excel:

a.
SUMMARY OUTPUT
Regresión Statistics
Múltiple R 0.981
R Square (R²) 0.962
Adjusted R Square 0.947
Standard Error 2.179
Observations 8
ANOVA df SS MS F Significance F
Regresión 2 604.252 302.126 63.610 0.000
Residual 5 23.748 4.750
Total 7 628
Coefficient Standard Upper Lower Upper
s Error t Stat P-value Lower 95% 95% 95.0% 95.0%

Intercept 36.394 4.413 8.247 0.000 25.050 47.737 25.050 47.737
Promoción (X1) 0.163 0.021 7.928 0.001 0.110 0.216 0.110 0.216
Producción (X2) -0.042 0.013 -3.108 0.027 -0.076 -0.007 -0.076 -0.007
b. Y = 36.39 + 0.163 – 0.042
c. R= 0.981 = se relaciona con fortaleza la variable independiente para predecir la dependiente.
d. R² = 0.96 = la explicación de la variable independiente sobre el comportamiento de la variable
dependiente es mayor que 70% por consiguiente es aceptable.
e. Pronostico
 Y = 36.39 + 0.163(X1) – 0.042(X2)
 Sustituye los valores X1=$400 y X2=$250

 Y=36.39 + 0.163(400) – 0.142(250) = 91.09
 Resultando en que si gasto en promoción $400 y en producción $250 venderé 91 batidos
de Herbalife.
Conclusión
 Es bueno recordar que el modelo de regresión como supuesto básico que cada valor de
“x”, “y” será una variable aleatoria con distribución normal.
 Se puede decir que la media poblacional de “y” (disminuye o incrementa) al aumentar x.
 No olvidar que se trabaja con parámetros desconocidos y por tal razón son variables
aleatorias a las cuales se debe hacer afirmaciones probabilísticas.
“Referencia”
Borrego, I. (2014). Métodos de Regresión Estadística. http://wpd.ugr.es/~bioestad/wp-
content/uploads/Metodos-de-regresion.
López Moreno, W. (2014). Estadística práctica: aplicación y análisis para la toma de decisiones
en las empresas. Universidad de Puerto Rico.
https://elibro.net/en/ereader/nuc/34605?page=158
Montero Granados, R (2016): Modelos de regresión lineal múltiple. Documentos de Trabajo en
Economía Aplicada. Universidad de Granada. España.

Rodrigo, J. (2016). Introducción a la Regresión Lineal Múltiple.
https://www.cienciadedatos.net/documentos/25_regresion_lineal_multiple

Stat 5210 - Tarea 6.2 - Rosalie Neris Rivera

Cargado por

Copyright:

Formatos disponibles

Stat 5210 - Tarea 6.2 - Rosalie Neris Rivera

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Stat 5210 - Tarea 6.2 - Rosalie Neris Rivera

Cargado por

Copyright:

Formatos disponibles

Regresión y correlación entre variables 1

6.2 Tarea: Regresión lineal simple

Alex G. Nieves López

Departamento de Administración, National University College –División Online

STAT 5210-5002ONL - Estadísticas

Prof. Walter López Moreno

lineal simple. Estaré redactando y citando conforme a la información hallada respecto a la

caracterización, la aplicación, ejemplos y formas de evaluar la regresión múltiple. López (2014),

pueden prever el funcionamiento de una dependiente.

independientes denominada como predictores. Es decir, el formato

de regresión múltiple anticipa el valor de la variable dependiente o determina el impacto que

asumen los predictores. La ecuación del formato lineal múltiple es:

La relevancia de los valores en la ecuación es:

 β 1 – efecto promedio al incremento en la unidad de la variable Xi sobre la dependiente

Y, el incremento se mantendrá constante. Esto se conoce como coeficientes parciales de

 ei – es el error o residuo, es la diferencia entre el estimado por el modelo y el valor

Según Montero (2016) menciona que en la fórmula de regresión múltiple la Y es la

como por ejemplo la edad o el peso.

como por ejemplo el idioma color o el género.

Dos ejemplos de modelos de regresión múltiple son:

 El presupuesto de un colegio, ya que su variación se puede explicar por la cantidad de

de clase, laboratorios, etcétera.

 El consumo de gasolina de una motora, ya que su variación puede explicarse mediante la

independientes serán las “x”.

determinar la regresión, correlación y el coeficiente de determinación múltiple.

Mes Batidas vendidas (Y) Promoción (X1) Producción (X2)

Luego se determina lo siguiente:

a) La correlación de la variable dependiente con las demás variables independientes.

b) La ecuación de regresión múltiple.

c) El coeficiente de correlación múltiple.

d) El coeficiente de determinación múltiple.

e) El pronóstico de venta al gastar $400 en promoción y $250 en producción.

A continuación se utilizó análisis de datos en el programa de Excel:

Coefficient Standard Upper Lower Upper

s Error t Stat P-value Lower 95% 95% 95.0% 95.0%

b. Y = 36.39 + 0.163 – 0.042

c. R= 0.981 = se relaciona con fortaleza la variable independiente para predecir la dependiente.

d. R² = 0.96 = la explicación de la variable independiente sobre el comportamiento de la variable

dependiente es mayor que 70% por consiguiente es aceptable.

 Y = 36.39 + 0.163(X1) – 0.042(X2)

 Sustituye los valores X1=$400 y X2=$250

 Y=36.39 + 0.163(400) – 0.142(250) = 91.09

 Resultando en que si gasto en promoción $400 y en producción $250 venderé 91 batidos

“x”, “y” será una variable aleatoria con distribución normal.

 Se puede decir que la media poblacional de “y” (disminuye o incrementa) al aumentar x.

aleatorias a las cuales se debe hacer afirmaciones probabilísticas.

Borrego, I. (2014). Métodos de Regresión Estadística. http://wpd.ugr.es/~bioestad/wp-

en las empresas. Universidad de Puerto Rico.

Montero Granados, R (2016): Modelos de regresión lineal múltiple. Documentos de Trabajo en

Economía Aplicada. Universidad de Granada. España.

Rodrigo, J. (2016). Introducción a la Regresión Lineal Múltiple.

También podría gustarte