Regresion Lineal Simple

ESCUELA SUPERIOR POLITECNICA DEL LITORAL
Regresin Lineal Simple

Andres G. Abad, PhD
FIMCP-ESPOL
Estadstica Gerencial
Guayaquil, Ecuador
Agosto, 2016
Objetivos de Aprendizaje
En este captulo aprender:
Usar el anlisis de regresin para predecir el valor de
una variable dependiente basado en una variable
independiente
Conocer el significado de los coeficientes b0 y b1
Evluar los supuestos del anlisis de regression y sabra
qu hacer si los supuestos no son respetados
Har inferencias sobre el coeficiente de correlacin
Estimar el valor promedio y predecir valores
individuales
ESCUELA SUPERIOR POLITECNICA DEL LITORAL, Guayaquil, Ecuador
Correlacin vs Regresin
Un diagram de dispersion puede ser utilizado para
mostrar la relacin entre dos variables numricas

Anlisis de correlacin es usado para medir la
fuerza de asociacin (relacin lineal) entre dos
variables
La correlacin solo considera la fuerza de la relacin
Efectos causales no son implicados con la correlacin
Anlisis de Regresin
Anlisis de Regresin es utilizado para:
Predecir el valor de una variable dependiente
basado en el valor de al menos una variable

independiente
Explicar el impacto de cambios en variables
indeendientes sobre una variable dependiente

Variable dependiente: la variable que desea explicar
Variable independeinte: la variable utilizada para
explicar a la variable dependiente
Modelo de Regresin Lineal Simple

Solo una variable independiente, X
Relacin entre X y Y descrita por una funcin
lineal
Cambios en Y estn relacionados con cambios
en X
Tipos de Relaciones
Relaciones lineales
Relaciones curvilneas
X
Y
X
Y
X
X
6
Tipos de Relaciones
Relaciones fuertes
Relaciones dbiles
X
Y
X
Y
X
X
7
Tipos de Relaciones
Y
Ninguna relacin
Y
X
Modelo de Regresin Lineal

Intercepto
poblacional
Y
Variable
dependiente
Coeficiente
de
pendiente
poblacional
Variable
Independiente
Error
aleatorio
Yi 0 1X i i
Componente lineal
Componente aleatorio
Modelo de regresin poblacional

Modelo de Regresin Lineal

Y
Yi 0 1X i i
Valor observado
de Y para Xi
i
Valor predicho
de Y para Xi
Pendiente = 1
Error aleatorio
para el valor de Xi
Intercepto = 0
Xi
X
10
Ecuaciones de Regresin Lineal

La ecuacin de la regresin lineal simple prove una
estimacin de la lnea de regresin poblacional
Estimacin (o
prediccin) del
valor Y para
observacin i
Estimacin del
intercepto de la
regresin
Estimacin de la
pendiente de la
regresin
Yi b 0 b1X i
Valor de X
para
observacin i
11
Mtodo de los Mnimos Cuadrados

b0 y b1 son obtenidos encontrando los valores
que minimizan la suma cuadrtica de las

diferencias entre Y y Y
2
2
min (Yi Yi ) min (Yi (b 0 b1Xi ))
Los coeficientes b0 y b1 , y otros resultados de
regresin de este captulo pueden ser obtenidos

usando Excel
12
Interpretacin del Intercepto y la

Pendiente
b0 es la estimacin del valor medio de Y
cuando el valor de X es zero

b1 es la estimacin del cambio estimado
del valor medio de Y por cada unidad

adicional de X
13
Ejemplo de Regresin Lineal

Un agente inmobiliario desea examiner la
relacin entre el precio de venta de una casa y

su tamap (medida en pies cuadrados)
Una muestra aleatoria de 10 casas es obtenida
Variable dependiente (Y) = precio de la casa en
$1000s
Variable independiente (X) = pies cuadrados
14
Ejemplo de Regresin Lineal - Data

Precio de la casa en $1000s
(Y)
Pies cuadrados
(X)
245
1400
312
1600
279
1700
308
1875
199
1100
219
1550
405
2350
324
2450
319
1425
255
1700
15

Diagrama de Dispersin
Modelo del precio de casa: diagram de
House Price ($1000s)
dispersin
450
400
350
300
250
200
150
100
50
0
1000
2000
3000
Square Feet
16

Usando Excel
Tools
-------Data
Analysis
-------Regression
17

Usando Excel
La ecuacin de la regresin es:
Regression Statistics
Multiple R
0.76211
R Square
0.58082
Adjusted R Square
0.52842
Standard Error
precio de casa 98.24833 0.10977 (pies cuadrados)
41.33032
Observations
10
ANOVA
df
SS
MS
Regression
18934.9348
18934.9348
Residual
13665.5652
1708.1957
Total
32600.5000
Coefficients
Intercept
Square Feet
Standard Error
t Stat
F
11.0848
P-value
Significance F
0.01039
Lower 95%
Upper 95%
98.24833
58.03348
1.69296
0.12892
-35.57720
232.07386
0.10977
0.03297
3.32938
0.01039
0.03374
0.18580
18

Representacin Grfica
Modelo del precio de casa: diagrama de dispersion
y linea de regresin
Intercepto
= 98.248
450
400
350
300
250
200
150
100
50
0
Pendiente
= 0.10977
1000
2000
3000
Square Feet

19
Ejemplo de Regresin Lineal Interpretacin de b0

b0 es la estimacin del valor promedio de Y
cuando el valor de X es zero

Si X = 0 est en el rango de los valores observados
de X
Debido a que los pies cuadrado no pueden ser
0, el intercepto de Y no tiene aplicacin prctica.
20

Interpretacin de b1
b1 mide el cambio medio del valor promedio de
Y como resultado de un cambio de X de una

unidad
Aqu, b1 = 0.10977 nos dice que el valor
promedio aumenta en 0.10977($1000) =
$109.77, en promedio, por cada pies cuadrado
adicional
21

Haciendo Predicciones
Predecir el precio de una casa de 2000 pies cuadrados
precio de casa 98.25 0.1098 (sq.ft.)

98.25 0.1098(200 0)
317.85
La prediccin del precio de una casa de 2000 pies
cuadrado es 317.85($1,000s) = $317,850
22

Haciendo Predicciones
Cuando se utiliza un modelo de regression lineal para
predecir, solo usarlo dentro del rango relevante de los

datos
Rango releante para

interpolacin
450
400
350
300
250
200
150
100
50
0
No extrapole fuera
de el rango de
valores observados
de Xs
0
1000
2000
3000
Square Feet
23
Medidas de Variacin
La variacin total est compuesta de dos partes:
SST
Total Sum of
Squares
SST ( Yi Y )2
SSR
Regression Sum of
Squares
SSE
Error Sum of
Squares
2
Y)2 SSE ( Y Y
SSR ( Y
)
i
i i
donde:
Y = valor medio de la variable dependiente

Yi = valor observado de la variable dependiente
Y i = valor predicho de Y dado el valor Xi

24
Medidas de Variacin
SST = total sum of squares
Mide la variacin de los valores Yi alrededor de su
media Y
SSR = regression sum of squares
Variacin explicada atribuida a la relacin entre X y Y
SSE = error sum of squares

Variacin atribuida a factores ajenos a la relacin
entre X y Y
25
Medidas de Variacin
Y
Yi
2
SSE = (Yi - Yi )
SST = (Yi - Y)2
_
SSR = (Yi - Y)2
_
Y
Xi
_
Y
X
26
Coeficiente de Determinacin, r2
El coeficiente de determinacin es la porcin de
la variacin total en la variable dependiente que

es explicada por la variable independiente
El coeficiente de determinacin ese tambin
llamado r-cuadrado o r2
SSR regressionsum of squares
r
SST
total sum of squares
2
0 r 1
2
27
Y
r2 = 1
r2 = -1
100% de la variacin de Y es
explicada por la variable X
r2
=1
Perfecta relacin lineal entre X y

Y:
28
Y
0 < r2 < 1
Dbil relacin lineal entre X y

Y:
Algo, pero no todo, de la
variacin de Y es explicada por
la variacin en X
X
29
r2 = 0
Ninguna relacin lineal entre X y

Y:
r2 = 0
El valor de Y no est relacionado

con X. (Nada de la variacin de Y
es explicada por la variacin de X)
30

SSR 18934.9348
r
0.58082
SST 32600.5000
Multiple R
0.76211
R Square
0.58082
Adjusted R Square
0.52842
Standard Error
58.08% de la variacin del precio

de las casas es explicado por la
variacin de pies cuadrados
41.33032
Observations
10
ANOVA
df
SS
MS
Regression
18934.9348
18934.9348
Residual
13665.5652
1708.1957
Total
32600.5000
Coefficients
Intercept
Square Feet
Standard Error
t Stat
F
11.0848
P-value
Significance F
0.01039
Lower 95%
Upper 95%
98.24833
58.03348
1.69296
0.12892
-35.57720
232.07386
0.10977
0.03297
3.32938
0.01039
0.03374
0.18580
31
Estimacin del Error Standard

La desviacin standard de la variacin de las
observaciones alrededor de la lnea de regresin

es estimado por
n
SYX
SSE
n2
(
Y
Y
)
i i
i 1
n2
Donde
SSE = error sum of squares
n = tamao de la muestra
32
Ejemplo de Regresin Lineal Error

Standard de la Estimacin
Multiple R
0.76211
R Square
0.58082
Adjusted R Square
0.52842
Standard Error
SYX 41.33032
41.33032
Observations
10
ANOVA
df
SS
MS
Regression
18934.9348
18934.9348
Residual
13665.5652
1708.1957
Total
32600.5000
Coefficients
Intercept
Square Feet
Standard Error
t Stat
F
11.0848
P-value
Significance F
0.01039
Lower 95%
Upper 95%
98.24833
58.03348
1.69296
0.12892
-35.57720
232.07386
0.10977
0.03297
3.32938
0.01039
0.03374
0.18580
33
Comparando Errores Standard

SYX es una medida de la variacin de valores obserados
de Y de la lnea de regresin
Y
pequeo sYX
grande sYX
La magnitude de SYX debera siempre ser juzgada en relacin al

tamao de los valores de Y en la muestra
34
Supuestos de la Regresin Lineal

(L.I.N.E)
Linealidad
La relacin entre X y Y es lineal
Errores independientes
Los valores de los errores son estadsticamente
independiente
Normalidad de los errores
Los valores de los errores siguen una distribucin
normal para cualquier valor dado de X
Varianzas iguales (tambin llamado homocedasticidad)
La distribucin de probabilidad de los errores tiene
varianza constante
35
Anlisis Residual
ei Yi Yi
El residuo de una observacin i, ei, es la diferencia entre
su valore observado y su prediccin

Comprobamos los supuesto del modelo de regresin lineal
examinando los residuos
Examine el supuesto de Linealidad
Evalue el supuesto de Independencia
Evalue el supuesto de Normalidad
Examine varianzas Iguales para todos los valores dados
de X
Anlisis grfico de los residuos
Grafique residuos vs. X
36
Anlisis Residual para Linearidad

Y
x
No Lineal
residuals
residuals
x
Lineal
37
Anlisis Residual para Independencia
residuals
residuals
Independiente
residuals
No Independiente
38
Comprobando Normalidad
Examine el diagram de Tallo-hoja de los
residuos
Examine el diagram Box-and-Whisker de los
Residuos
Examine el Histograms de los Residuos
Constriya un Plot de probabilidad normal de
los Residuos
39
Anlisis Residual para Varianzas

Iguales
Y
Varianzas desiguales
residuals
residuals
Varianzas iguales
40
Ejemplo de Regresin Lineal Output

Residual en Excel
House Price Model Residual Plot
RESIDUAL OUTPUT
Predicted
House Price
80
Residuals
251.92316
-6.923162
60
273.87671
38.12329
40
284.85348
-5.853484
304.06284
3.937162
218.99284
-19.99284
-20
268.38832
-49.38832
-40
356.20251
48.79749
-60
367.17929
-43.17929
254.6674
64.33264
10
284.85348
-29.85348
Residuals
20
0
1000
2000
3000
Square Feet
No parece irrespetar ninguno de los supuestos de

la regresin
41
Midiendo la Autocorrelacin:
El Estadstico Durbin-Watson
Utilizado cuando los datos han sido
recolectados a lo largo del timepo

Para detector autocorrelacin
Autocorrelacin existe si los residuos en un
periodo del tiempo estn relacionados con

los residuos en otro periodo
42
Autocorrelacin
Autocorrelacin es la correlacin de los errores
(residuos) a lo largo del tiempo

Time (t) Residual Plot
15
Aqu, los residuos

sugieren un patrn
cclico, no aleatorio
Residuals
10
5
0
-5 0
-10
-15
Time (t)
Irrespeta los supuestos de regresin de que los
residuos son estadisticamente independientes

43
El estadstico Durbin-Watson es utilizado para probar la
existencia de autocorrelacin
H0: residuos no estn autocorrelacionados
H1: hay autocorrelacin presente
n
2
(
e
e
)
i i1
i2
2
e
i
i 1
El rango posible es 0 D 4
D debe estar cercano a 2 si H0 es
verdadera
D menor a 2 es seal de autocorrelacin

positive, D mayor a 2 es seal de
autocorrelacin negativa
44
H0: no existe autocorrelacin positiva
H1: est presente autocorrelacin positiva
Calcule el estadstico de la prueba Durbin-Watson = D
(El estadstico Durbin-Watson puede ser encontrado en Excel)
Encuentre el valor de dL y dU de la tabla de Durbin-Watson

(para un tamao de n y un nmero de variables independientes k)
Regla de decisin: rechace H0 si D < dL

Rechace H0
No se concluye
dL
No rechace H0
dU
2
45
Ejemplo con n = 25:
160
140
Excel:
120
Durbin-Watson Calculations
Sales
100
y = 30.65 + 4.7038x
R2 = 0.8976
80
Sum of Squared
Difference of Residuals
3296.18
60
Sum of Squared Residuals
3279.98
40
Durbin-Watson Statistic
1.00494
20
0
0
10
15
20
25
30
Time
(e
i 2
ei1 )2
ei
3296.18
1.00494
3279.98
i1
46
Aqu, n = 25 y hay k = 1 variables independientes
Utilice la tabla Durbin-Watson, dL = 1.29 y dU = 1.45
D = 1.00494 < dL = 1.29, as que rechace H0 y concluya
que existe autocorrelacin positiva

Por lo tanto, el anlisis de regresin lineal no es apropiado
para predecir ventas

Decisin: rechace H0 dado que
D = 1.00494 < dL
Rechace H0
No se concluye
dL=1.29
No rechace H0
dU=1.45
2
47
Inferencias sobre la pendiente:

La prueba t
Prueba t para la pendiente poblacional
Existe relacin lneal entre X y Y?
Hiptesis Nula y Alterna
H0: 1 = 0
H1: 1 0
(no existe relacin lineal)

(existe relacin lineal)
Estadstico de la prueba
b1 1
t
Sb1
d.f. n 2
donde:
b1 = coeficiente de pendiente de
la regression
1 = pendiente hipotetizada
Sb1 = error standard de la
pendiente
48

La prueba t - Ejemplo
Precio casas en
$1000s
(y)
Pies cuadrados
(x)
245
1400
312
1600
279
1700
308
1875
199
1100
219
1550
405
2350
324
2450
319
1425
255
1700
Ecuacin de regresin estimada:

precio casa 98.25 0.1098 (sq.ft.)
La pendiente del modelo es 0.1098

Hay alguna relacin entre los pies
cuadrados de una casa y su precio?
49

H0: 1 = 0
b1
De Excel:
H1: 1 0
Coefficients
Intercept
Square Feet
Standard Error
Sb1
t Stat
P-value
98.24833
58.03348
1.69296
0.12892
0.10977
0.03297
3.32938
0.01039
b1 1 0.10977 0
t
3.32938
t
Sb1
0.03297
50

Estadstico de
la prueba: t = 3.329
H0: 1 = 0
H1: 1 0
d.f. = 10- 2 = 8
a/2=.025
Reject H0
a/2=.025
Do not reject H0
-t/2
-2.3060
Reject H
0
t/2
2.3060 3.329
Decisin: Rechace H0
Hay suficiente evidencia de
que los pies cuadrados
afectan el precio
51

Valor p
De Excel:
Coefficients
Intercept
H0: 1 = 0
H1: 1 0
Square Feet
Standard Error
t Stat
P-value
98.24833
58.03348
1.69296
0.12892
0.10977
0.03297
3.32938
0.01039
Decisin: Rechace H0, dado que

el valor p<
Hay suficiente evidencia de que los
pies cuadrados afectan el precio de las
casas
52
Prueba F para Significancia

Estadstico
de prueba F:
donde
MSR
F
MSE
SSR
MSR
k
SSE
MSE
n k 1
F sigue una distribucin F con k grados de libertad en el numerador y (n k - 1) grados de libertad en el denominador
(k = el nmero de variables independientes en el modelo de regresin)
53
Prueba F para Significancia Output

de Excel
Multiple R
0.76211
R Square
0.58082
Adjusted R Square
0.52842
Standard Error
MSR 18934.9348
F
11.0848
MSE 1708.1957
41.33032
Observations
10
Valor-p para
la prueba F
Con 1 y 8 grados de
libertad
ANOVA
df
SS
MS
Regression
18934.9348
18934.9348
Residual
13665.5652
1708.1957
Total
32600.5000
F
11.0848
Significance F
0.01039
54
Prueba F para Significancia

Estadstico de la prueba:
H0: 1 = 0
H1: 1 0
MSR
F
11.08
MSE
a = .05
df1= 1
df2 = 8
Decisin:
Reject H0 at a = 0.05
Conclusin:
Valor crtico:
Fa = 5.32
a = .05
Do not
reject H0
Reject H0
F.05 = 5.32
Hay suficiente evidencia

estadstica de que los pies
cuadrados afectan el precio de
una casa
55
Estimacin de Intervalos de
Confianza para la Pendiente
Estimacin del interval de confianza de la
pendiente:
b1 t n2Sb1
d.f. = n - 2
Excel:
Coefficients
Intercept
Square Feet
Standard Error
t Stat
P-value
Lower 95%
Upper 95%
98.24833
58.03348
1.69296
0.12892
-35.57720
232.07386
0.10977
0.03297
3.32938
0.01039
0.03374
0.18580
Al nivel de confianza de 95%, el interval de confianza

de la prendiente es (0.0337, 0.1858)
56
Estimacin de Intervalos de
Confianza para la Pendiente
Coefficients
Intercept
Square Feet
Standard Error
t Stat
P-value
Lower 95%
Upper 95%
98.24833
58.03348
1.69296
0.12892
-35.57720
232.07386
0.10977
0.03297
3.32938
0.01039
0.03374
0.18580
Dado que las unidades del precio de casas es $1000s, Ud.

Esta un 95% confiado de que el cambio promedio del precio
est entre $33.74 y $185.80 por pie cuadrado
Este interval de confianza de 95% no incluye al 0.
Conclusin: existe una relacin significativa entre el precio de una casa
y los pies cuadrados a un nivel de significancia del .05
57
Prueba t para un Coeficiente de

Correlacin
Hiptesis
H0: = 0
H1: 0
(no hay correlacin entre X y Y)

(existe correlacin)
Estadstico de la prueba
r -
(con n 2 grados de libertad)
1 r
n2
2
donde
r r 2 si b1 0
r r 2 si b1 0
58

Correlacin
Existe evidencia de una relacin lineal entre pies cuadrados
y precio de casa a un nivel de significancia de .05?
H0: = 0 (No correlacin)
H1: 0 (existe correlacin)
a =.05 , df = 10 - 2 = 8
r
1 r2
n2
.762 0
1 .762 2
10 2
3.329
59

Correlacin
Decisin:
Rechazar H0
d.f. = 10- 2 = 8
a/2=.025
Reject H0
a/2=.025
-t/2
-2.3060
Do not reject H0
Reject H0
t/2
2.3060
3.329
Conclusin:
Hay evidencia de
asociacin lineal al
nivel de
significancia del
5%
60
Estimando Valores Promedios y

Prediciendo Valores Individuales
Intervalos de
confianza
para la media
de Y, dado Xi
Meta: Construir intervalos alrededor de Y para

expresar la incertidumbre sobre el valor de Y para
un Xi dado
Y = b0+b1Xi
Intervalos de prediccin
para un valor individual
de Y, dado Xi
Xi
X
61
Intervalos de Confianza para el

promedio de Y, dado X
Intervalos de confianza estimados para el valor
promedio de Y dado un valor particular Xi
Intervalo de confianza para Y|X Xi :

Y tn 2SYX hi
Tamao del interval vara de acuerdo
a su distancia con la media, X
1 (X i X) 2 1
(X i X) 2
hi

n
SSX
n (X i X) 2
62
Intervalo de Prediccin para un valor

individual Y, dado X
Intervalo de prediccin estimado para un valor
individual de Y dado un valor particular Xi
Intervalo de prediccin YXXi :

Y tn 2SYX 1 hi
Este trmino extra aade al ancho del intervalo para

reflejar la inceridumbre aadida para un caso individual
63
Estimacin del Valor Medio - Ejemplo

Estimacin del interval de confianza para Y|X=X
Encuentre el interval de confianza de 95% para el valor

promedio de casas de 2,000 pies cuadrados
Precio predicho Yi = 317.85 ($1,000s)
t S
Y
n-2 YX
1
(Xi X)2
317.85 37.12
2
n (Xi X)
Los extremos del intervalo de confianza son 280.66 y

354.90, o desde $280,660 hasta $354,900
64
Estimacin de Valores Individuales Ejemplo

Estimcin de intervalos de preidccin YX=X i
Encuentre el interval de 95% para una casa individual de 2,000
pies cuadrados
Precio predicho Yi = 317.85 ($1,000s)
t S
Y
n-1 YX
1
(Xi X)2
1
317.85 102.28
2
n (Xi X)
Los extremos del intervalo de prediccin son 215.50 y 420.07,

o desde $215,500 hasta $420,070
65
Errores del Anlisis de Regresin

Desconocer los supuestos de la regression de
mnimos cuadrados
Desconocer como evaluar los supuestos
Desconocer las alternativas para la regression de
mnimos cuadrados cuando los supuestos son
irrespetados
Usar un modelo de regresin sin conocer
caractersticas importantes de su aplicacin
Extrapolar fuera del rango de relevancia
66
Estrategias para prevenir errores de

Regresin
Comenzar con un diagram de dispercin de X en
Y para observar posibles relaciones

Conduzca anlisis de residuos para comprobar
supuestos
Grafique los residuos vs. X para comprobar si algun
supuesto es irrespetado
Como el de varianzas iguales
Utilice histogramas, tallo-hoja, o plot de normalidad
de los residuos para investigar posible nonormalidad

67
Estrategias para prevenir errores de

Regresin
Si alguno de los supuestos es irrespetado, utilice
mtodos o modelos alternos

Si no hay evidencia de irrespeto de supuestos,
pruebe la significancia de los coeficientes de
regresin y construya intervalos de confianza e
intervalos de prediccin
Evite hacer predicciones y pronsticos fuera del
rango de relevancia
68
Resumen del Captulo

En este captulo, hemos
Introducido tipos de modelos de regresin
Revisado supuestos de regresin y correlacin
Determinado la ecuacin del modelo de
regresin lineal simple

Descrito medidas de variacin
Discutido el anlisis de residuos
Medido autocorrelacin
69
Resumen del Captulo

En este captulo, hemos
Descrito inferencias sobre la pendiente
Discutido correlacin - midiendo la fuerza de
asociacin
Estimado el valor promedio y predicciones de
valores individuales
Discutido posibles errores de regresin y
recomendado estrategas para evitarlos
70

Regresion Lineal Simple

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Regresion Lineal Simple

Hochgeladen von

Copyright:

Verfügbare Formate

ESCUELA SUPERIOR POLITECNICA DEL LITORAL

Regresin Lineal Simple

ESCUELA SUPERIOR POLITECNICA DEL LITORAL, Guayaquil, Ecuador

mostrar la relacin entre dos variables numricas

ESCUELA SUPERIOR POLITECNICA DEL LITORAL, Guayaquil, Ecuador

basado en el valor de al menos una variable

indeendientes sobre una variable dependiente

ESCUELA SUPERIOR POLITECNICA DEL LITORAL, Guayaquil, Ecuador

Modelo de Regresin Lineal Simple

ESCUELA SUPERIOR POLITECNICA DEL LITORAL, Guayaquil, Ecuador

Modelo de Regresin Lineal

Modelo de regresin poblacional

Modelo de Regresin Lineal

Ecuaciones de Regresin Lineal

Mtodo de los Mnimos Cuadrados

que minimizan la suma cuadrtica de las

min (Yi Yi ) min (Yi (b 0 b1Xi ))

Los coeficientes b0 y b1 , y otros resultados de

regresin de este captulo pueden ser obtenidos

Interpretacin del Intercepto y la

cuando el valor de X es zero

del valor medio de Y por cada unidad

ESCUELA SUPERIOR POLITECNICA DEL LITORAL, Guayaquil, Ecuador

Ejemplo de Regresin Lineal

relacin entre el precio de venta de una casa y

ESCUELA SUPERIOR POLITECNICA DEL LITORAL, Guayaquil, Ecuador

Ejemplo de Regresin Lineal - Data

ESCUELA SUPERIOR POLITECNICA DEL LITORAL, Guayaquil, Ecuador

Ejemplo de Regresin Lineal

House Price ($1000s)

ESCUELA SUPERIOR POLITECNICA DEL LITORAL, Guayaquil, Ecuador

Ejemplo de Regresin Lineal

ESCUELA SUPERIOR POLITECNICA DEL LITORAL, Guayaquil, Ecuador

Ejemplo de Regresin Lineal

precio de casa 98.24833 0.10977 (pies cuadrados)

ESCUELA SUPERIOR POLITECNICA DEL LITORAL, Guayaquil, Ecuador

Ejemplo de Regresin Lineal

House Price ($1000s)

precio de casa 98.24833 0.10977 (pies cuadrados)

Ejemplo de Regresin Lineal Interpretacin de b0

cuando el valor de X es zero

0, el intercepto de Y no tiene aplicacin prctica.

ESCUELA SUPERIOR POLITECNICA DEL LITORAL, Guayaquil, Ecuador

Ejemplo de Regresin Lineal

Y como resultado de un cambio de X de una

Ejemplo de Regresin Lineal

precio de casa 98.25 0.1098 (sq.ft.)

Ejemplo de Regresin Lineal

predecir, solo usarlo dentro del rango relevante de los

House Price ($1000s)

Rango releante para

Y = valor medio de la variable dependiente

Y i = valor predicho de Y dado el valor Xi

SSE = error sum of squares

ESCUELA SUPERIOR POLITECNICA DEL LITORAL, Guayaquil, Ecuador

SST = (Yi - Y)2

la variacin total en la variable dependiente que

ESCUELA SUPERIOR POLITECNICA DEL LITORAL, Guayaquil, Ecuador

Perfecta relacin lineal entre X y

ESCUELA SUPERIOR POLITECNICA DEL LITORAL, Guayaquil, Ecuador

Dbil relacin lineal entre X y

Ninguna relacin lineal entre X y

El valor de Y no est relacionado

ESCUELA SUPERIOR POLITECNICA DEL LITORAL, Guayaquil, Ecuador