ANLISIS DE

REGRESIN LINEAL

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.

Son numerosas sus aplicaciones y

ocurren en casi todos los campos,
incluyendo ingeniera, fsica, ciencias
sociales, ciencias econmicas, ciencias
biolgicas y de la salud.
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).

La estructura del modelo de

regresin lineal es la siguiente:
Y = 0 + 1X +
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.

Lo que en primer lugar sera

deseable en un modelo de regresin
es que estos errores aleatorios sean
en media cero para cualquier valor x
de X, es decir,
E[/X = x] = E[]=0,
y por lo tanto:
E[Y /X = x] = 0 + 1x + E[/X = x]
= 0 + 1x
En dicha expresin se observa que:

La media de Y, para un valor fijo

x, vara linealmente con x.
Para un valor x se predice un
valor en Y dado por
y = E[Y /X = x] = 0 + 1x,
por lo que el modelo de
prediccin puede expresarse
tambin como
Y = 0 + 1X.

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.

Adems
de
la
hpotesis
establecida sobre los errores de
que en media han de ser cero, se
establecen
las
siguientes
hiptesis:
La varianza de es constante para
cualquier valor de x, es decir,
V ar(/X = x) = 2

La distribucin de es normal, de
media 0 y desviacin .
Los errores asociados a los valores de
Y son independientes unos de otros.
En consecuencia, la distribucin de Y
para x fijo es normal, con varianza
constante 2, y media que vara
linealmente con x, dada por 0 + 1x.
Adems los valores de Y son
independientes entre s.

Ejemplo de regresin lineal

simple.
Ajustar los siguientes datos a
unax lnea
recta:
y
1

b = m*

Ejemplo
xsimple.
y
x*y

de
x2

12

16

16

24

16

25

25

42

36

27

35

135

111

regresin

lineal

m = 45/53
m = 0.849
b =(35/8)
(45/53)*(27/8)
b = (80/53) = 1.509

Ejemplo
simple.
m=
0.849

de

regresin
b=
1.509

lineal

Ejemplo
simple.

de

Para x=0 y=
0.849

regresin

lineal

Para x=6 y= 6.604

Dado
los
siguientes
datos, la recta de ajuste
de mnimos cuadrados
es
y = 0.849x + 1.509
Cual es el valor de Sr
paran esta recta?

i=1

Sr = (yi (m*xi + b))2

1.

2.6351

2.

2.235 x10-3

3.

2.915

4.

3.547